生成模型能够从给定分布生成实例。因此，让我们尝试让我们的模型从所有手写数字的分布中生成实例。这包括数字 0 到 9，对于这些数字中的每一个，都有大量可能的方式来编写相同的数字。从 MNIST 数据集中取数字 4，它由手写数字组成。

您可以快速查看每个数字有多少种不同的写法，但仍代表相同的值。这是我们想要使用生成模型捕获的分布。该模型通过训练一个生成器来有效地尝试和欺骗一个判别器，该判别器经过训练可以区分真实实例和人工实例与期望的分布。当判别器不再能够区分人工和真实实例时，我们可以说生成模型可以成功地生成匹配此分布的示例。

换句话说，一旦生成器开始生成真实的数字，我们可以说生成器正在生成与 MNIST 数据集中捕获的实例相匹配的实例。

这种匹配分布的想法可以应用于您想要从分布中提取的各种应用程序。有些是为了演示技术而没有任何真正有用的应用程序，有些是当前用于许多任务的非常有用的应用程序。以下是一些示例的简短列表：

• 生成人造人脸
• 文本到图像生成
• 产生虚假的声音或噪音
• 图像去噪
• 更改图像中的几何图形
• 着色图像
• MRI图像重建

最重要的是，生成新的口袋妖怪。

理论上，给定足够的数据，任何分布（世界上的任何事物，包括世界本身）都可以通过生成模型建模，我们可以从中提取实例。因此，任何时候你想到在遥远的未来进行模拟，一些生成模型将能够观察多个真实示例，然后生成大量模拟示例。例如，模拟车祸，生成模型可以可视化多个真实的碰撞，然后我们可以使用生成模型生成数百万个类似的实例用于测试目的，而无需购买更多的汽车。当然 GAN 并没有那么强大，它们需要大量数据来学习非常约束的分布。然而，通过创新一切皆有可能，在此之前，我们可以继续生成手写数字和卧室场景的图像。