先闲扯几句。首先说说我为啥搞公众号吧。我其实就是想把自己一些心得分享出去，期待可以有思维的“共振”。有读者抱怨说排版太差了，我承认确实不好，我每天工作都很忙的，写代码的写文章，大家凑合着看吧；还有读者希望写的更深入一些，把论文好好翻译一下。这个有点难为我了，我只是想把自己看paper（或者工程实践）的心得体会毫无保留的分享出来，我可不是专业的翻译或者科技作者，我写的心得翻译都有点中国化的味道不专业，大家想深入还是看英文的paper吧。还有读者提建议搞点通俗易懂的或者搞点学术八卦啥的，这样涨粉多，抱歉，我没有想专业化运营，只是想构建一个只谈学术的小圈子。

其次说一下，我发现关注我微信公众号的好多大牛。有微软亚研院的，有百度IDL的大神，还有很多政府部门的，还有很多我觉得非常牛逼的公司的神，然后有清北的和stanford及Prinston的留学生，还有不少教授。这下吓到我了。我本来放得很开的，瞎写一通。我很清楚自己有多少斤两。好在大家鼓励居多，跪求大家轻喷。

最后，我想说，人是社会关系的总和。单打独斗不成气候。我们一起掘金人工智能，构建一个欣欣向荣的生态系统。给大家构建一个小的idea分享圈。欢迎关注。附上微信公众号二维码，长按可关注：

言归正传。这次分享的是对偶学习新范式在图像上的应用。对偶学习这个新范式去年掀起了一个小波澜，去年11月微软亚研院发的NIPS，原文链接：https://arxiv.org/pdf/1611.00179.pdf

但是慢慢沉寂了，方法的idea不错，但没有得到大规模推广。去年的是在文本翻译这块，图像去年的热门是GAN网络。好了，今天这文章把对偶学习渗透到了图像了。

看论文我喜欢把一些来龙去脉搞清楚。每一个idea都不是凭空而来的，追本溯源，我们看看去年秦涛博士他们文章的主要精髓。一句话说：一个英语句子A，首先用一个网络n1翻译成法语w，然后将翻译好法语w用另一个网络n2翻译成英语句子B。两个网络合在一起成为一个对偶网络。损失函数就是A与B之间的差值。文章说英语翻译成法语的精度可以匹敌neural machine translation (NMT)的精度。我想说，首先英语跟法语比较像，这个问题相对简单一些；其实我的担心是，这个loss不太好学，很有可能不收敛。文章说他们的学习方法是网络n1教网络n2，网络n2教网络n1，使用一种增强学习的方法。这个是可以的，但这个老师感觉是变化的哦。

今天的这篇文章名字是：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks。使用有回路的对抗网络来做未配对的图片-图片的翻译。首先来谈谈对抗网络。深度生成对抗网络是给一批图片，如猫的图片，一个网络学习这些图片用于生成猫，一个已有的判别网络，判断生成的猫是不是真。这个有回路的对抗网络示意图如下：

我们一起来解开她的扣子。所有网络，不管多深，展开拉直了都是一个方程。方程G将X转变成Y，方程F将Y转变成X1。它搞了两个loss来训练两个网络，一个loss是x-F(G(x)),一个loss是y-G(F(y))。怎么样？其实就是对偶学习。

标题的另一个关键字是Unpaired Image-to-Image Translation。用下图来说明：

左边是成对的图片，也就是相同的鞋子不同的颜色，如果右边不成对的图片要变成成对的话，那就应该是同一个城堡不同季节的图片，而不成对的图片就是不同的城堡不同的季节，Unpaired Image-to-Image Translation就是用秋天的城堡B的风格将夏天的城堡A变成了秋天的城堡A。

文章的基本内容讲了一下。我们看最核心的Loss函数吧。

第一项是X-Y 的对抗损失函数，第二项是Y-X的对抗网络损失函数，然后再加上带权值的对偶回路损失函数，这个权值可以控制两个物体的相关的重要性。

文章中讲了如何实现这样的网络的，并做了不少对比实验。

文章的源码地址：https://junyanz.github.io/CycleGAN/

对比网络CoGAN的源码：https://github.com/mingyuliutw/CoGAN

这些源码我还没来的及看。

最后这个方法的用处很广，可以将油画变成照片，可以将普通照片变成单反相机的大光圈一样的北京虚化，可以只改变图片中的物体，如把马变成斑马，可以进行季节变更。

看看作者到底干了什么事情。附上效果图：

这个orange变成苹果的有点牵强。