使用训练有素的神经网络模仿其训练数据

Question

我正在设计散文模仿系统。 它会读一堆散文，然后模仿它。 这主要是为了娱乐，所以模仿散文不需要太有意义，但是我想以最小的努力使它尽可能的好。

我的第一个想法是使用示例散文来训练分类前馈神经网络，该网络将其输入分类为训练数据的一部分或不作为训练数据的一部分。 然后，我想以某种方式反转神经网络，找到新的随机输入，这些输入也将由受过训练的网络分类为训练数据的一部分。 一种明显而愚蠢的方法是随机生成单词列表，只输出分类超过一定阈值的单词列表，但是我认为有更好的方法，使用网络本身将搜索限制在输入的某些区域空间。 例如，也许您可​​以从随机向量开始，然后进行梯度下降优化，以在随机起点附近找到局部最大值。 这种模仿过程有什么用吗？ 有哪些已知方法？

Answer 1

生成对抗网络（GAN，Goodfellow 2014）及其更高级的兄弟姐妹（如深度卷积生成对抗网络）如何？ 那里有很多适当的研究文章，还有更温和的介绍，例如DCGAN和GAN上的介绍 。 引用后者：

GAN是一个有趣的想法，由Ian Goodfellow（现在在OpenAI）领导的蒙特利尔大学的一组研究人员于2014年首次提出。 GAN的主要思想是拥有两个相互竞争的神经网络模型。 一个将噪声作为输入并生成样本（因此称为生成器）。 另一个模型（称为鉴别器）从生成器和训练数据中接收样本，并且必须能够区分这两个来源。 这两个网络是一个连续的游戏，生成器正在学习生成越来越多的逼真的样本，而鉴别器正在学习在区分生成的数据和真实数据方面越来越好。 这两个网络是同时训练的，希望是竞争将使生成的样本与真实数据无法区分。

（DC）GAN应该非常适合您的任务。