訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)通常要利用損失函數(shù)了解網(wǎng)絡(luò)生成的結(jié)果與目標(biāo)結(jié)果有多遠(yuǎn)。例如，在圖像分類網(wǎng)絡(luò)中，損失函數(shù)通常會(huì)對(duì)錯(cuò)誤的分類進(jìn)行懲罰；如果網(wǎng)絡(luò)將狗誤認(rèn)為貓，那就會(huì)造成很大的損失。然而，并不是所有問題都能很輕易地用損失函數(shù)來定義，尤其是涉及人類感知方面的決定，例如圖像壓縮或文本到語音系統(tǒng)的應(yīng)用。生成對(duì)抗網(wǎng)絡(luò)（GANs）作為一種機(jī)器學(xué)習(xí)工具，使許多領(lǐng)域的應(yīng)用都得到了改善，包括用文本生成圖像、超分辨率圖像的生成、教機(jī)器人學(xué)習(xí)抓握以及提供解決方案。然而，這些新的理論和軟件工程上的挑戰(zhàn)卻難以跟上GANs研究的步伐。

生成網(wǎng)絡(luò)不斷改進(jìn)的過程。剛開始會(huì)生成隨機(jī)的噪音，最終網(wǎng)絡(luò)學(xué)會(huì)生成MNIST數(shù)字集

為了讓生成對(duì)抗網(wǎng)絡(luò)更易于實(shí)驗(yàn)，谷歌開發(fā)者開源了一個(gè)輕量級(jí)的庫——TFGAN，它可以讓GAN的訓(xùn)練和評(píng)估過程更容易。同時(shí)，TFGAN提供了經(jīng)過良好測(cè)試的損失函數(shù)和評(píng)估指標(biāo)，并提供了易于使用的例子，突出了TFGAN強(qiáng)大的表現(xiàn)力和靈活性。同時(shí)，谷歌還發(fā)布了一個(gè)教程，包括一個(gè)高級(jí)API，可以快速得到在你的數(shù)據(jù)上訓(xùn)練的模型。

該圖表明了對(duì)抗性損失在圖像壓縮上的影響。最上層是ImageNet中的圖像補(bǔ)丁。中間一行是在傳統(tǒng)損失上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)壓縮和解壓縮圖像的結(jié)果。最下面一行展示了在傳統(tǒng)損失和對(duì)抗損失上訓(xùn)練的兩種不同結(jié)果。由此可見，生成對(duì)抗網(wǎng)絡(luò)損失的圖像更清晰、更細(xì)致，但與原圖還是有一定差距

除此之外，TFGAN提供簡(jiǎn)單的函數(shù)能覆蓋大多數(shù)GANs的案例，所以只需幾行代碼就能讓模型在你的數(shù)據(jù)上運(yùn)行。但是它是以模塊化的方式構(gòu)建的，為的是支持更多GANs設(shè)計(jì)。開發(fā)者可以用任何模塊進(jìn)行損失、評(píng)估、訓(xùn)練函數(shù)。

大多數(shù)文本到語音（TTS）神經(jīng)網(wǎng)絡(luò)系統(tǒng)會(huì)產(chǎn)生過于平滑的圖譜。當(dāng)把生成對(duì)抗網(wǎng)絡(luò)應(yīng)用到Tacotron TTS系統(tǒng)中后，可以有效消除其中的人工痕跡

TFGAN的輕量級(jí)設(shè)計(jì)可以允許其與其他框架一起使用，或與本機(jī)TensorFlow代碼一起使用。利用TFGAN寫成的GAN模型在未來可以輕易的進(jìn)行改進(jìn)，用戶可以從大量已經(jīng)實(shí)現(xiàn)的損失和功能中選擇，無需重新編寫模型。

最后，TFGAN的代碼已經(jīng)經(jīng)過了充分的測(cè)試，用戶不必?fù)?dān)心經(jīng)常出現(xiàn)的數(shù)字或統(tǒng)計(jì)錯(cuò)誤。