引言

20世纪80年代开始，计算机进入了第五代的发展时期，这是非冯.诺依曼型计算机的人工智能计算机的研究阶段。人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是把信息采集、存储、处理、通信同人工智能结合在一起的智能计算机系统，主要能面向知识处理，具有形式化推理、联想、学习和解释的能力，能够帮助人们进行判断、决策、开拓未知领域和获取新的知识，人机之间可以直接通过自然语言(声音、文字)或图形图像交换信息。

经过不断探索与尝试，人工智能的研究领域不断深入，研究理论和原理不断累积，在计算机领域得到了愈加广泛的重视。该领域的研究包括机器人、语音识别、图像识别、自然语言处理、专家系统和自动驾驶等。

机器学习(Machine learning)是人工智能的一个分支，研究如何在经验学习中改善具体算法的性能。机器学习有多种分类标准，可以基于学习形式、 学习策略、 知识的表示形式、 应用领域等多种分类方法。机器学习按照采用的技术不同可以分为：决策树、支撑向量机、最近邻法、径向基函数核、蒙特卡罗方法、变分法、随机森林和神经网络等。神经网络的层数扩展到三层或者三层以上，即为深度学习[1]。

在计算机视觉领域，人脸识别和物体分类等应用已经可以利用深度学习算法，取得较好的辨识度，但在图像识别和生成方面还不尽人意，生成的图像模糊而不逼真。生成对抗网络GAN(Generative Adversarial Network)概念的提出，可以使用生成器生成逼真的高质量图像，有效解决这一问题。使用一个神经网络来做这种判别工作，随着更多优化模型的引入和研究的不断深入，生成对抗网络GAN在更多的领域大放异彩，推动了人工智能技术的进步与发展。目前，GAN涉及到的研究和应用领域有语音识别、图像识别、机器人的棋类比赛等。

图1 人工智能、机器学习、深度学习、GAN关系图

图1展示了人工智能、机器学习、深度学习、GAN四个概念之间的发展与包含关系。如图所示，深度学习属于机器学习的分支，机器学习属于人工智能的分支，而GAN则属于深度学习的分支，是近年来发展的一个全新的理论。

1 GAN理论基础

2.2.2 图像风格迁移

GAN模型启发自博弈论中的纳什均衡，包含两个独立的神经网络：生成器(Generator，G)和判别器(Discriminator，D)。主要目的是由判别器D辅助生成器G产生出与真实数据分布一致的伪数据。生成器的任务是，从一个随机均匀分布里采样一个高斯白噪声z，该噪声信号经由生成器G映射到某个新的数据空间，得到生成数据G(z)，然后输出生成数据G(z)；判别器D根据真实数据x与生成数据G(z)的输入来分别输出一个概率值，表示D判断输入是真实数据还是生成虚假数据的置信度，以此判断G的产生数据的性能好坏；当最终D不能区分真实数据x和生成数据G(z)时，就认为生成器G达到了最优[1]，如图2所示。

2.3.1 使用剂量。我国的水产养殖户在应用微生物制剂的时候，养成了不断增加剂量的不良习惯。然而，微生物制剂的使用数量并不是愈多愈好，在水体中投入过量的细菌反而会造成池塘生态体系失衡，导致氧溶解速率不断下降，最终造成水产养殖品出现应激反应。然而，使用剂量偏少又无法发挥相应的作用。单位面积水体的最适微生物制剂使用剂量需要相关工作人员进行更深层次的研究。

图2 GAN 模型

GAN的优化过程是一个极小极大博弈 (Minimax game) 问题，优化目标是达到纳什均衡[3]，GAN的目标函数如下所示。

(1)

D(x)表示判别器认为x是真实样本的概率，而1- D(G(z))则是判别器认为生成样本为假的概率，取对数相加就能得到上图中公式的形式。训练GAN的时候，判别器希望目标函数最大化，也就是使判别器判断真实样本为“真”判断生成样本为“假”的概率最大化；与之相反，生成器希望该目标函数最小化，也就是降低判别器对数据来源正确的概率[4]。模块的优化过程是一个相互竞争相互对抗的过程，G&D的性能在迭代过程中不断提高，直到最终D(G(z))与真实数据的表现D(x)一致，此时G和D都不能再进一步优化。具体训练过程如图3所示。

图3 训练过程示意图

其中黑色虚线P(x)表示真实的数据分布，绿色实线G(z)是通过生成模型产生的数据分布，蓝色的虚线D(x)代表判别函数。从(a)到(d)可以看出，绿线G(z)分布和黑线P(x)真实分布的差异越来越小直至重合。此时，无论对于真实的数据还是生成的数据，判别函数已经不能正确区分，输出都是相同的值。GAN会学着生成和训练数据相似的数据，一个最典型的应用是生成图像。假设你有一堆猫的图片，你使用这些图片训练GAN之后，它会生成和训练数据相类似的猫的图片，因为它能够自动学习猫的特征。

GAN最大的优势就是引入了判别器，对那些难以直接用数学公式衡量好坏的任务，使用判别器来设计目标函数，就会使任务变简单。GAN在计算机视觉领域的一个研究热点是图像转换(Image-to-image)。它包含很多种操作，如给黑白照片上色、模糊照片生成清晰照片、改变照片显示的季节、背景虚化、自拍照片转换成素描照片、把景观照片转换成某画家风格的照片等。例如，对图像的风格迁移的应用，很难用数学公式来区分生成图像的风格是否合适，就可以使用判别器来学习图像的风格，只要符合同样风格的图像就能训练，轻松做到图像的迁移。

MNIST是一个机器学习入门级的计算机视觉数据集，它包含各种手写数字图片。Ian Goodfellow 在论文中使用MNIST 手写数据集来训练对抗网络，生成的结果如图4，最右侧一列带黄色框线的是真实样本的图像，前面五列是生成网络生成的样本图像，可以看出生成的样本与真实样本很相像，只是和真实样本属于不同的类别，类别是随机的。

图4 MNIST上GAN训练

GAN对抗网络生成图像，是通过the Toronto Face Database(TFD)对图像数据集训练来实现的，结果如图5所示。

图5 TFD上GAN训练

近年来在机器学习领域最耀眼的新思想就是生成对抗网络了，不仅催生了多篇理论论文，也带来了层出不穷的实际应用。凭借数据和模型，通过内部对抗来实现无监督学习的模式，生成对抗网络给人工智能的自我学习能力带来新的方向。

2 GAN的应用

在当前人工智能的热潮下，GAN的提出满足了许多领域的研究和应用需求，同时为这些领域注入了新的发展动力。GAN已经成为人工智能学界一个热门的研究方向，Facebook人工智能研究院的著名学者Yann LeCun甚至将其称为“过去十年间机器学习领域最让人激动的点子”。目前，图像和视觉领域是对GAN研究和应用最广泛的一个领域，已经可以生成数字、人脸等物体对象，构成各种逼真的室内外场景，从分割图像恢复原图像，给黑白图像上色，从物体轮廓恢复物体图像，从低分辨率图像生成高分辨率图像等[5]。此外，GAN已经开始被应用到语音和语言处理[6-7]、电脑病毒监测[8]、棋类比赛程序[9]等问题的研究中[10]。

之所以GAN理论受到如此青睐，凭借的就是它独特的对抗思想。在原来的基础上加上一个判别器，引入对抗机制，往往能取得更好的效果。

2.1 在信息检索上的应用

图6 PPGN模型生成的红脚鹬和蚂蚁的图像[11]

目前面临的基本问题是：所有的理论都认为 GAN 应该在纳什均衡(Nash equilibrium)上有卓越的表现，但梯度下降只有在凸函数的情况下才能保证实现纳什均衡。当博弈双方都由神经网络表示时，在没有实际达到均衡的情况下，让它们永远保持对自己策略的调整是可能的。

2.2 在图像上的应用

2.2.1 图像生成

GAN中的生成器是一个具有“无限”生成能力的模型，可以生成与真实数据分布一致的数据样本，因此可以生成文字、人脸、场景等图像，并可由文本生成图像。GAN最基本应用就是能生成接近真实图片的虚假图片，做到以假乱真。

“工业为主”论强调生产教育应注重工业，并非轻视农业，而是欲以工业改进农业。钱亦石认为，中国生产教育以工业为主是“正确的方向”，但以工业为主，并不是轻视农业，而是“准备在大工业的基础上改造农业”[14]。郭人全也强调，“发展工业并不是放弃了农业”，而是企图以工业的发展推动农业采取现代的生产方式，使农业“走入工业化的道路”[23]。曹孚也认为，发展生产教育“主张中国应走重工之路”，“主张重工，也不是轻视农业。而恰正是要以工业为基础，进求农业之工业化，使工业农业成为统一”[24]。

生成高分辨率、逼真的图像对机器学习来说是个长久的目标，自GAN提出以来，各种基于GAN的衍生模型被提出，分别在模型结构改进、理论扩展及应用等方面做了创新与改造。2016年Nguyen等人提出一种很强的生成模型PPGN(Plug and Play Generative Networks)，可以生成高质量的图像。PPGN生成的图像同类差异化大，可根据指定生成不同类别的图像，生成的图像清晰且分辨率高，可使用imagenet1000类分类网络生成特定类别的图像。在NIPS神经信息处理系统大会上，得到了Ian Goodfellow的介绍。

图6就是利用PPGN生成的227×227高分辨率的两种动物的图像，可以看出生成的同种动物中图像是多样性的，差异较大，个别图像很逼真。

2017年EBGAN(Energy-based Generative Adversarial Network)模型[12]被提出，这是一种基于能量的生成对抗网络模型，该模型将 GAN 框架中的判别器(discriminator)视为与数据流形(Data manifold)和其它所有更高能量区域的低能量区域相关联的能量函数(Energy function)。和概率 GAN 类似，需要训练一个生成器(generator)来产生具有最小能量的对比样本，同时还要训练该能量函数将高能量分配给那些生成的样本。将判别器视为能量函数可以在通常的二元判别网络之外还能使用范围广泛的架构和损失函数。

在 EBGAN 的所有实例中，其中之一是沿着作为重构误差(Reconstruction error)的能量使用一个自动编码器(Auto-encoder)。通过研究表明这种形式的 EBGAN 能在训练过程中得到比通常的 GAN 更稳定的表现，只需训练一个单尺度(Single-scale)的架构就能生成高分辨率的图像。

另一种模型是SRGAN(Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network)[13]，将生成式对抗网络GAN用于SR(Super-Resolution)超分辨率技术，主要是基于单张低分辨率(SISR)的重建方法。

SR是指从观测到的低分辨率图像重建出相应的高分辨率图像。当图像放大4倍以上时，传统方法训练网络时用均方差作为损失函数，虽然能够获得很高的峰值信噪比，但是恢复出来的图像通常会丢失细节而过于平滑，缺少真实感。SRGAN使用GAN来生成图像中的细节，利用感知损失(Perceptual loss)和对抗损失(Adversarial loss)来提升恢复出的图片的真实感。感知损失是利用卷积神经网络提取出的特征，通过比较生成图片经过卷积神经网络后的特征和目标图片经过卷积神经网络后的特征的差别，使生成图片和目标图片在语义和风格上更相似。

图7中右图为原始图像，左图是利用SRGAN放大四倍时得到的超分辨率图像，可以看出两者几乎没有差别。

图7 SRGN模型生成的超分辨率图像

生成对抗网络(GAN：Generative Adversarial Network)[2]是个新生的概念，由伊恩.古德费洛(Ian Goodfellow)在2014年提出，初衷是为了判别生成人工数据样本的质量。他使用一个神经网络来做这种判别工作，即使用一个生成器来生成假样本，用另一个判别器去区分样本的真假，两者就形成了对抗的关系，生成对抗网络就这样产生了。

根据参考文献，患者留置尿管拔除前干扰膀胱收缩导致拔管后排尿困难的影响因素复杂，需要确认患者拔管后膀胱功能恢复情况，临床多通过间歇夹闭导管训练膀胱功能判断膀胱功能是否恢复良好，但目前尚无明确的医学循证。

CycleGAN模型就是一个很好的工具，利用对抗机制与范数损失函数相结合，通过对偶模型设计使此模型能够在无标注的数据集上取得良好的表现，它实现了普通马与斑马、普通照片与莫奈画作、夏天与冬天图像的相互转换。

2.开辟“每周一书”专栏。在班级的显眼墙上开辟“每周一书”专栏，内容为班级学生每周读的书的简介和个人感受。分享读书的感受和乐趣是一件特别快乐的事。

2.2.3 图像修补

在计算机图像修补领域， 对于1/9—1/4图片面积修补问题，使用经典修补方法和纹理合成方法效果都很差。使用场景计算法计算最近邻距离后完成剪切与粘贴操作的方法，只适合填充移除整个对象的区域，对于任意区域(如部分遮挡对象)修补效果不理想。

深度GAN模型Context Encoder进行图片修补能根据缺失区域的周边区域进行语义层面的修补，比近邻法提供了更好的特征。通过编码器Encoder输入图像尺寸227×227，后接五个卷积层和池化层，最后计算6×6×256维特征。解码器Decoder采用一系列带有ReLU激活函数的上卷积层；采用重构损失(Reconstruction loss)和对抗损失(Adversarial loss)的加权和作为损失函数，使图像的大面积修补问题得到了很好的解决[14]。其它的模型也能实现图像的修补，如使用DCGAN+ADAM。

2.3 在自然语言上的应用

在自然语言上的应用领域主要有人机对话、机器翻译、问答等，GAN对自然语言的处理效果不如图像。目前已经出现了一些使用GAN来进行语音和语言处理的研究。例如，Zhang等[15]提出一个模型，使用时间递归神经网络LSTM做生成器，使用卷积神经网络CNN作为判别器，两者做对抗训练产生真实的文本。训练时需要多次更新生成器再更新判别器，这与传统的更新多次判别器再更新一次生成器不同。

1. 根据实际结果，可以比其它模型产生更好的样本，图像更锐利、清晰。

在聊天机器人方面，使用GNA的对抗机制可以让机器人学会用不同方式表达同一个意思，这能纠正采用基于范数的损失函数产生的过拟合现象，即固定地针对某些问题产生一些固定的答案。

（2）第一次淬火，淬火感应圈1的长直角边5到齿圈2的倒角端面6的落差为第一设定距离，加热时间设定为第一设定时间，冷却时间设定为第二设定时间。

2.4 在视频上的应用

在处理静态图像生成任务的同时， GAN将时序信息考虑进去就能扩展到视频处理领域。文献[17]是视频预测代表性文章，能够实现输入几幅连续的图片后，生成和预测视频的下一帧。该模型在生成器部分将动态前景部分和静态背景部分分开建模和生成，构建two stream的样本生成器，然后将产生的前景和背景进行组合，产生出具有时域变化的视频帧；对于判别器，主要完成区分产生数据与真实数据的任务，同时识别视频帧间行为，从而指导生成器产生数据。

口腔粘液腺囊肿是口腔的常见疾病,该病有多种治疗方法,我科自2015年01月—2015年12月以来,采用手术切除治疗及注射碘酊治疗两种方法,共治疗口腔粘液腺囊肿260例,对其临床疗效进行对比,现报告如下:

2.5 在文字上的应用

论述由图片生成文字即看图说话的文章很多，而由文字生成图片是一个更具有挑战性的逆过程。第一个提出用GAN框架来实现文字到图像转化的是文献[18]，该模型的实现方法是：文本进行编码后的特征与随机噪声信息串接输入产生器产生图像；而编码后的文本特征也同时作为监督信号输入判别器以构建目标函数。该模型实现了输入文字“粉色花瓣的花”，输出包含这些文字要素的图像。该任务的完成包含两个步骤：一是利用自然语言处理来理解输入中的描述，二是利用生成网络输出准确、逼真的图像对文字进行表达。

3 GAN的优缺点

3.1 GAN的优点

小乌龟就上当了。按照大黑猫的要求，晚上他等周围小朋友都睡着以后，偷偷地溜到操场边。大黑猫已经在等他了。大黑猫吩咐他爬上一个临时搭的台子，固定好小乌龟的壳。他对小乌龟说，等一会你只要拼命地往外爬，你就会从壳里挣脱出来，从此你就可以轻轻松松地活着啦，再也不是缩头缩脑地胆小鬼了。

和才让相识的那一天，我们依旧在茶馆里歇脚，画速写和拍照片。一个二十来岁的藏族青年走近我们，他灰头土脸，戴一顶黑红相间的“公牛”帽子，腰间别一根打狗棒，消瘦的脸仿佛只能用直线来画，布满血丝的眼睛里，浅咖啡色的眼珠透亮。他递过来一张很破的纸条说：“你们认识这个人吗？”纸上模糊的字迹：“张伟，广州美术学院工艺系……”后面几个字让人眼前一亮：好亲切！我抬头说：“不认识，但可以帮你找，我们也是广州美术学院的！”

Ian Goodfellow指出GAN具有以下四个优点：

2016年提出SeqGAN[16]模型，此方案基于策略梯度来训练生成器G，生成器经过蒙特卡洛搜索可以得到策略梯度的反馈奖励信号，实验表明SeqGAN在语音、诗词和音乐生成方面可以超过传统方法，此后对自然语言处理的研究也基本采用这个方案。中科院自动化所用SeqGAN做机器翻译，第一次将GAN应用到了神经语言学NLP的传统任务上面。WGAN在NLP上也发挥了很大的作用。

传统的概率生成模型一般都需要进行马尔科夫链式的采样和推断，而GAN是一个更好的概率生成模型，避免了这个计算复杂度较高的过程，直接进行采样和推断，提高了GAN的应用效率。它是一个非常灵活的设计框架，针对不同的任务，可以设计不同类型的损失函数，在GAN框架下进行学习和优化。GAN引入了一个非常聪明的内部对抗的训练机制，可以逼近一些不是很容易计算的目标函数。

2. 生成对抗式网络框架能训练任何一种生成器网络。大部分其他的框架需要该生成器网络有一些特定的函数形式，比如输出层是高斯的，并且特别需要生成器网络遍布非零质量(Non-zero mass)。而生成对抗网络能学习可以仅在与数据接近的细流形(Thin manifold)上生成点。

3. 不需要设计遵循任何种类的因式分解的模型，任何生成器网络和任何鉴别器都会有用。

由于执法团队建设质量会对保障体系落实与农产品质量监管效果形成直接影响，所以各基层组织应做好执法团队建设工作，打造出一支综合素质过硬的保障体系执法团队。

但是，弹一个“极弱音”很容易，困难的是弹一组连续的“极弱音”，因为一连串质地类似的“极弱音”要求我们在弹奏每一个音之前，都预备好相应的“慢动作”。如果在弹奏第一个音时，第二个音所需的手指没有开始“慢动作”，那就无法弹出下一个弱音，或只能以极慢的速度弹奏下一个弱音。

4. 无需利用马尔科夫链反复采样，无需在学习过程中进行推断(Inference)，回避了近似计算棘手的概率的难题。

3.2 GAN的缺点

GAN模型目前还存在一些问题，例如可解释性差、优化不稳定、训练困难、生成样本缺乏多样性等。针对这些问题不断有学者提出更优的方案进行改进，进一步提高GAN的学习能力。

具体缺点主要有以下三点：

1. 不收敛(Non-convergence)问题

实际上GAN是一个生成式模型与判别式模型的框架，使用生成器可以生成以假乱真的数据，此时通常把它当成生成式模型。相反，使用判别器时把它当成判别式模型。两者充当的角色不同，发挥的作用不同，实现的价值也不同。在信息检索(Information retrieval)领域利用GAN把生成式模型与判别式模型结合起来进行信息的检索，称作IRGAN，是一种新型的机器学习方式。生成式模型能够做到：给定一个问题(query)，能输出与它最匹配的文档(document)。判别式模型能够做到：输入一个问题和文档对，能输出两者匹配的程度。在IRGAN中，生成式模型的输出就是判别式模型的输入，判别式模型的输出又能促进生成式模型的学习，可以很好的将两者结合起来，发挥最大的效能。

2. 难以训练：崩溃问题(Collapse problem)

GAN模型被定义为极小极大问题，没有损失函数，在训练过程中很难区分是否正在取得进展。GAN的学习过程可能发生崩溃问题，即生成器开始退化，总是生成同样的样本点，导致无法继续学习。当生成模型崩溃时，判别模型也会对相似的样本点指向相似的方向，训练则无法继续。

3. 模型过于自由不可控

与其他生成式模型相比，GAN这种竞争的方式无需预先建模，不再要求一个假设的数据分布，而是使用一种分布直接进行采样sampling，从而真正达到理论上可以完全逼近真实数据，这是GAN最大的优势。然而，这种不需要预先建模的方法太过自由，对于较大的图片有较多pixel的情况，基于简单 GAN 的方式就不太可控了。

4 未来GAN的研究方向

除了学术界，GAN还受到工业界的广泛关注。有许多做人工智能研究的公司正在投入大量的精力来发展和推广GAN模型。其中包括 Ian Goodfellow就职的 OpenAI 公司，一直致力于研究和推广GAN，并将其应用在不同的任务上。Facebook的Yann LeCun也一直是GAN的积极倡导者，其中一个最重要的原因就是GAN为无监督学习提供了一个强有力的算法框架，而无监督学习被广泛认为是通往人工智能重要的一环。Facebook 和 Twitter 最近两年也投入了大量的精力来研究GAN，将其应用在图像生成和视频生成上。Apple2016年12月发表了其关于人工智能研究的首篇论文，应用GAN来做数据的生成，帮助更好地训练机器学习模型。

针对目前GAN模型存在的一些问题，许多研究者致力于开发和改进更优的模型，进一步优化GAN的性能并提高GAN的学习能力。设想可以引入“多主体的GAN”，即有多个生成器和判别器，它们之间可以进行交流，进行知识的共享，从而提高整体的学习能力。

二抓报账资料管理，规范资金使用流程。项目招标开工前，组织相关中标单位进行报账培训，详细讲解报账所需的资料和附件，规范项目资金拨付的资料、档案管理，逐步建立了以财务资金管理制度为依据，以县级财政报账制为主线，以工程预决算管理为手段的资金运行监管体系。

未来GAN会应用在一些更广泛的领域，包括迁移学习以及领域自适应学习，应用范围是在无监督学习或自监督学习上，为其提供有效的解决方案，同时GAN还可以应用在强化学习上，与其建立更紧密的联系，能够大幅度提高强化学习的学习效率。另外还可以应用在数据的压缩以及图像以外其他的数据模式上，比如自然语句的生成、音乐的生成等。

人工智能从机器学习到深度学习，不断探索更好的方法。在传统的机器学习时期，需要人工设计任务的目标函数，再利用一些优秀的算法来搭建机器学习系统。而深度学习虽然还是需要设计任务的目标函数，但是神经网络可以实现自动学习有用的特征，设计目标函数只是为了约束模型的学习方向。自从有了生成对抗网络，在很多场景中目标函数不需要精心设计了，而是由判别器自己学习，通过对抗学习的方式来迭代训练，学习的效果更好。

图8 基于GAN的深度学习过程

基于GAN的深度学习的过程如图8所示，可以看出判别器起到了自主学习目标函数的作用，把学习的过程自动化了。

急性期治疗最重要，治疗的首要目的是预防严重并发症发生，其严重并发症是肺栓塞，同时缓解临床症状，积极治疗将大大降低并发症的发生，降低患者病死率以及致残率。

该模型的复相关系数R为0.9844，判定系数R2为0.9672，经调整后的判定系数R2为0.9668，F=2120.31，F0.05(5,364)=2.23878，F﹥F0.05，显著水平为0.05，预测精度可达96.47%。

未来GAN的发展方向将会对最后的过程，即优化器的学习也实现自动化。这样就可以理论上实现人工智能算法从输入到输出的自动化，真正实现人工智能，这将会推动GAN在人工智能领域得以更广泛的应用，使人工智能理论得以继续深入发展。

5 结束语

本文介绍了GAN的模型构造与原理及其在人工智能一些主要领域的应用价值，如在信息检索、图像处理、语音和语言处理、视频、文字等领域的应用现状。可以看出，GAN所蕴含的对抗思想是它成功的关键，对抗思想应用在人工智能机器学习、深度学习领域已经取得了诸多成果，激发了更多的研究者对GAN的不断挖掘。未来GAN还有很大的发展空间，研究方向是把优化器的学习也自动化了，能够实现人工智能算法从输入到输出的自动化，将会推动人工智能理论的深入发展，助推人工智能取得更大的飞跃。

参考文献

[1] 徐一峰. 生成对抗网络理论模型和应用综述[J]. 金华职业技术学院学报，2017，17(3)：81-88.

[2] Goodfellow I，Pouget-Abadie J，Mirza M，et al. Generative adversarial nets[C]//Advances in Neural Information Processing Systems. 2014: 2672-2680.

[3] Ratliff L J，Burden S A，Sastry S S. Characterization and computation of local Nash equilibria in continuous games[C]//Proceedings of the 51st Annual Allerton Conference on Communication，Control，and Computing (Allerton). Monticello，IL，USA: IEEE，2013. 917-924.

[4] 黄鹤，王长虎. 从生成对抗网络到更自动化的人工智能[J]. 中国计算机学会通讯，2017，13(9)：40-44.

[5] Goodfellow I. NIPS 2016 tutorial: generative adversarial networks[J/OL]. arXiv preprint arXiv: 1701.00160，2016.

[6] Li J W，Monroe W，Shi T L，et al. Adversarial learning for neural dialogue generation[J/OL]. arXiv preprint arXiv: 1701.06547，2017.

[7] Yu L T，Zhang W N，Wang J，et al. SeqGAN: sequence generative adversarial nets with policy gradient[J/OL]. arXiv preprint arXiv: 1609.05473，2016.

[8] Hu WW，Tan Y. Generating adversarial malware examples for black-box attacks based on GAN[J/OL]. arXiv preprint arXiv: 1702.05983，2017.

[9] Chidambaram M， Qi Y J. Style transfer generative adversarial networks: learning to play chess differently[J/OL]. arXiv preprint arXiv: 1702.06762，2017.

[10] 王坤峰，苟超，段艳杰. 生成式对抗网络GAN的研究进展与展望[J]. 自动化学报，2017，43(3)：321-332.

[11] Nguyen A，Clune J，Bengio Y，et al. Plug & Play Generative Networks: Conditional Iterative Generation of Images in Latent Space(OL)[J/OL]. arXiv preprint arXiv:1612.00005,2016.

[12] Zhao J, Mathieu M,Lecun Y. Energy-based Generative Adversarial Network[C], ICLR. 2017:1-17.

[13] Ledig C, Theis L, Huszár F, et al. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network[C]// Computer Vision and Pattern Recognition. IEEE, 2017:105-114.

[14] Pathak D，Krahenbuhl P，Donahue J，et al. Context encoders：Feature learning by inpainting[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016: 2536-2544.

[15] Zhang Y Z，Gan Z，Carin L. Generating text via adversarial training[C]//Proceedings of the 2016 Conference on Advances in Neural Information Processing Systems 29. Curran Associates，Inc.，2016.

[16] Yu L T，Zhang W N，Wang J，et al. SeqGAN: sequence generative adversarial nets with policy gradient[J/OL]. arXiv preprint arXiv: 1609.05473，2016.

[17] Mathieu M，Couprie C，LeCun Y. Deep multi-scale video prediction beyond mean square error[DB/OL].(2016-02-26)[2016-12-20]. http://arxiv.org/abs/1511.05440.

[18] Reed S，Akata Z，Yan X，et al. Generative adversarial text to image synthesis[C]//Proceedings of The 33rd International.