101
правка
Изменения
→Сравнение подходов
[[File:exampleGAN.png|450px|thumb|Рисунок 8. Лица, сгенерированные с помощью GAN <ref name=ForwardScience>[https://towardsdatascience.com/how-to-train-stylegan-to-generate-realistic-faces-d4afca48e705 Towards data science]</ref>]]
Если сравнивать [[Generative Adversarial Nets (GAN ) | GAN]] с PixelCNN/PixelRNN, то можно отметить более хорошее качество получаемых изображений у генеративно-состязательного метода<ref name=Reg>[https://towardsdatascience.com/auto-regressive-generative-models-pixelrnn-pixelcnn-32d192911173 Auto-Regressive Generative Models]</ref>. Однако из-за этого у метода GAN время обучения занимает больше временимедленнее, чем у PixelCNN и PixelRNN. Для реализации GAN требуется найти равновесие Нэша, но в настоящее время нет алгоритма делающего это. Поэтому обучение GAN более нестабильное, если сравнивать с другими методами. В настоящее время многие мировые компании используют GAN для генерации изображений, например: PGGAN от ''Nvidia'', Exemplar GAN от ''Facebook'' и другие.
{| class="wikitable"
