生成模型的革命
生成模型突破判别边界，让神经网络学会创造。目标：学习数据分布P(X)，生成与真实数据相似的样本。
GAN：对抗博弈
生成对抗网络(GAN)包含生成器G和判别器D：G尝试生成逼真样本欺骗D，D尝试区分真假样本。对抗训练推动双方进化。
GAN训练机制
- 生成器目标：最大化D对假样本的判断为真
- 判别器目标：最大化对真样本判断为真，对假样本判断为假
- 纳什均衡：G生成完美样本，D无法区分
VAE：概率建模
变分自编码器(VAE)将数据映射到隐空间分布：编码器输出隐变量的均值和方差，解码器从隐分布采样生成样本。
GAN vs VAE
GAN生成质量更高，但训练不稳定；VAE生成多样性更好，训练稳定，但样本可能模糊。
现代发展
扩散模型结合两者优势，成为当前主流生成架构。GAN在图像生成，VAE在特征学习各有应用。
生成模型让神经网络从识别走向创造，开启了AI艺术的新篇章。