DeepMind的TF Hub demo诠释「史上最强 GAN 图像生成器」

　　上图是样本生成单元格的控制界面，可以控制：生成样本数量、截断值、噪声种子、和类别的参数。我们可以看看下图的例子来说明各自的作用。

　　如上图所示，很容易看出，生成样本数量(10)和类别(芝士汉堡)就是字面的意思，那么截断值、噪声种子分别有什么作用呢?仅用一张图看不出来，我们修改一下参数看看区别就行了。

　　这时，我们只需要拖动滑块来修改参数，然后 Colab 会立刻执行新参数设置下的任务，但这也意味着我们一次只能修改一个参数。

　　经过多次实验，我们发现，截断值越大，生成样本的多样性越大;实际上，截断值控制的是隐变量分布(一般呈高斯型)的截断距离，也就是采样范围，因此不难理解其对多样性的作用。

　　从上到下：截断值为 0.02、0.26、0.58、1.0 的芝士汉堡生成结果。

　　而噪声种子的值对生成结果的影响主要是每次生成样本的初始条件，从而最终生成结果也会不同，可以用它来改善生成多样性。

　　最后是类别参数的控制，该 Colab 中提供了 1000 个类别选项，可玩性很足，但要找到自己想要的类别实在有点困难。可以这样操作，双击这个单元格，代码会显示在左侧，右侧会出现铅笔图标，点击该图标后就能查看完整列表，在这个列表下用 Ctrl+F 搜索类别的编号，再返回修改，这样就简单多了。

　　我们尝试生成了埃及猫(285)和大熊猫(388)的样本：

　　可以发现，埃及猫的眼神不太对，大熊猫有点营养不良。论文给出的结果很真实自然，但在这个 Colab 实验中我们也能发现存在很多「不自然」的生成样本。

　　接下来，我们来尝试图像插值任务。

　　如上图所示，这个任务的可控参数有：样本数量、插值数量、截断值、噪声种子、以及用于插值的图像类别 A 和 B。样本数量是指每次插值时类别 A 和类别 B 的的初始样本数量，如下图所示样本数量为 2。下图展示了一些示例，供大家参考。注意该图像插值是生成样本之间的插值，所以左右两侧的原图也会有些不自然。

　　图像插值结果示例，其中样本数量为 2、插值数量为 5、截断值为 0.2、噪声种子为 0、类别 A 为金毛、类别 B 为鸡。

　　其它参数不变，插值数量为 10 的插值结果示例。

　　金毛和埃及猫的图像插值结果。

　　知道怎么用了吧?自己去耍吧～