卷積類神經網路 (CNN) 和生成對抗網路 (GAN) 都是深度學習架構，但兩者的優點和應用領域不同。CNN 常用於圖像分類和物體偵測，GAN 則常用於生成新的資料實例。

雖然所有 GAN 都採用生成器-鑑別器結構，但業界開發了多種變化版本，來解決特定問題。其中幾種最重要的類型如下：

• 條件式生成對抗網路 (cGAN)：如果想控制 GAN 生成的內容，該怎麼辦？使用 cGAN 就能加入條件。假如您要的是「一位微笑的金髮女性」，cGAN 就會按照您的條件生成圖像，而不是一張隨機臉孔。就文字轉圖像應用程式來說，這是十分重要的功能。
• CycleGAN：如果想將轉換圖像風格，但沒有完全相符的圖像組合可供訓練 (例如將馬的相片變成斑馬)，該怎麼辦？CycleGAN 專為「非成對圖像轉圖像」而設計，因此以風格轉換和物體變形聞名。
• StyleGAN：這類 GAN 以生成極為逼真的高畫質圖像 (尤其是臉孔) 為主，還可讓使用者精細控制圖像的「風格」，例如年齡、髮型或表情。
• 超解析度 GAN (SRGAN)：這類 GAN 專門透過生成逼真的細節，將低解析度的模糊圖像升級為清晰的高解析度版本。

雖然各種生成對抗網路變化版本的基本原理，都是使用兩個對抗網路，不過研究人員已找出多種方法來修改架構和訓練方式，藉此解決限制，並提高這些生成對抗網路在特定應用層面的效能。

GAN 為許多產業開創了全新可能。這項技術通常應用在以下主要方面：

這是最常見的 GAN 應用領域，包括生成寫實的人物、地點和物體圖像；製作數位藝術和音樂；提供功能強大的圖像編輯工具，例如風格轉換 (讓相片看起來像畫作)、超解析度 (將模糊圖像銳利化)，以及文字轉圖像合成。

高品質資料是機器學習的原動力，但可能難以取得、成本高昂或屬於私人資料。GAN 可產生合成資料，解決這個問題。在醫療照護領域，GAN 可建立寫實的去識別化醫學掃描影像，來訓練診斷模型，同時保護病患隱私。在金融領域，GAN 則可產生合成交易資料，來訓練出更完善的詐欺偵測系統。這有助於克服資料稀少的問題，並平衡資料集。

GAN 可學習複雜系統中的模式，輸出逼真的模擬結果。這項生成技術可應用在多種情境，例如訓練自動駕駛汽車、預測影片的後續畫面，甚至可用於藥物研發方面，發掘潛在的分子結構。

使用「正規」資料訓練 GAN 後，將能有效找出不符合模式的內容。這可應用在偵測詐欺性金融活動、找出有害網路安全的入侵行為，以及發現產品製造上的瑕疵。

要開發及部署 GAN，必須具備強大的運算能力和完善的 MLOps 平台。Google Cloud 提供多種工具，支援整個工作流程：

• 建構及管理模型：Vertex AI 是代管機器學習平台，可簡化 GAN 等複雜模型的建構、訓練及部署程序。這個平台提供整合式環境，方便您管理資料和實驗。
• 高效能訓練：訓練 GAN 需要大量運算資源。Cloud TPU 是 Google 為大幅提高深度學習訓練速度而特製的硬體加速器，可讓您更快反覆調整複雜的 GAN 架構。
• 可擴充的部署環境：模型訓練完成後，可部署到 Google Kubernetes Engine (GKE)。這是功能強大的可擴充環境，能讓您部署容器化 GAN，做為大型應用程式的一部分。