生成對抗網(wǎng)絡（GAN， Generative Adversarial Networks）的出現(xiàn)是計算機視覺領(lǐng)域又一里程碑式的發(fā)展，它為解決各種圖像預測問題提供了新型工具。以此為目的，本文通過相關(guān)文獻的調(diào)研以及結(jié)合最新成果的研究，突出了生成對抗網(wǎng)絡的無監(jiān)督學習算法特征。目前生成對抗網(wǎng)絡拓撲結(jié)構(gòu)的研究在不斷優(yōu)化著基礎生成對抗網(wǎng)絡的性能；在改進難收斂、模式崩潰等缺點方面發(fā)揮著各自的長處，已然成為當下研究的熱點方向之一。

　　生成對抗網(wǎng)絡最早是在2014 年由Open AI 的Ian Good fellow 等人提出的一種創(chuàng)新型模型。它的出現(xiàn)為解決工程和數(shù)學領(lǐng)域中高維度概率密度分布中采樣和訓練的問題提供了幫助。隨后經(jīng)過兩年對生成對抗網(wǎng)絡的研究與總結(jié)，Ian Good fellow 等人在2016 年神經(jīng)信息處理系統(tǒng)進展大會上對生成對抗網(wǎng)絡的相關(guān)知識體系進行了匯總。生成對抗網(wǎng)絡的理論在此基礎上被證明了是一種具有非監(jiān)督學習性質(zhì)的收斂模型，這就為其在后續(xù)的應用中提供了可行性和實踐性。它能夠在不需要假設數(shù)據(jù)分布的前提下，來對一種隨機分布進行直接采樣，進而得到全局最優(yōu)解。生成對抗網(wǎng)絡的優(yōu)點之一是它回避了一些比較復雜的概率運算，在訓練過程中不涉及到最大似然估計和馬爾科夫鏈等復雜算法，又因為生成對抗網(wǎng)絡善于捕捉模型的分布方式等一些獨特的優(yōu)點，其概念和模型被學術(shù)界廣泛接受。至此以后以生成對抗網(wǎng)絡作為研究基礎的拓撲結(jié)構(gòu)以指數(shù)爆炸的速度發(fā)展著，從GAN ZOO 中統(tǒng)計的自2014 年以來以生成對抗網(wǎng)絡作為研究基礎的論文數(shù)量的數(shù)據(jù)中可窺見一斑。

　　為此，針對生成對抗網(wǎng)絡非監(jiān)督學習這一特點，本文著重分析了非監(jiān)督學習相較于監(jiān)督學習的優(yōu)勢，對比了一些主流的無監(jiān)督生成模型；主要總結(jié)了相對于標準生成對抗模型擴展模型——條件生成對抗網(wǎng)絡（CGAN， Conditional Generative Adversarial Nets）、深度卷積生成對抗網(wǎng)絡（DCGAN， Deep ConvolutionGenerative Adversarial Nets）、循環(huán)生成對抗網(wǎng)絡（Cycle GAN， Cycle Conditional Generative Adversarial Nets）做出概括的應用。生成對抗網(wǎng)絡及其各種衍生模型的進一步研究必將有效解決計算機視覺問題，而且利用生成對抗網(wǎng)絡來提升機器理解世界的能力，也必將成為人工智能中的重要研究方向。