Dans cet article, vous en apprendrez davantage sur les réseaux d’opposition générative ou GAN. Les réseaux adversaires générateurs constituent l’approche de modélisation générative pour les techniques d’apprentissage approfondi. Cet exemple de GAN comprend les réseaux neuronaux convolutifs.
La modélisation générative est une tâche d’apprentissage machine pour un apprentissage non supervisé. Elle comprend l’apprentissage des régularités, des découvertes automatiques ou des modèles en tant que données d’entrée. De cette façon, le modèle peut utiliser de nouvelles données génératives pour l’apprentissage machine, qui implique un apprentissage automatique. Vous pouvez utiliser toutes les régularités ou modèles des données d’entrée de manière à générer de nouveaux exemples que vous pouvez tirer de l’ensemble de données d’origine.
Utilisez les GAN pour former le modèle génératif et encadrer le problème de l’apprentissage supervisé avec deux sous-modèles.

– Modèle discriminatoire

Le modèle discriminatoire classe les exemples comme faux (générés) ou réels (domaine). Vous devez entraîner ces deux modèles ensemble dans un jeu contradictoire à somme nulle. Cela signifie que le modèle générateur génère des exemples plausibles.

– Modèle générateur

Nous utilisons le modèle génératif pour former de nouveaux exemples.
La capacité de créer des exemples réels dans divers domaines évolue rapidement et de manière passionnante. C’est particulièrement le cas lorsque les tâches concernent l’image, la traduction de photos d’images comme de l’hiver à l’été ou de la nuit au jour. Cela permet de générer des scènes, des objets et des personnes photoréalistes que vous ne reconnaîtrez pas comme des faux. Cet article vous aidera à découvrir les réseaux adversatifs générateurs ou GAN.

Qu’est-ce qu’un GAN ?

Le GAN ou Generative Adversarial Network fonctionnera comme une architecture algorithmique utilisant deux réseaux de neurones. Les deux réseaux s’opposeront pour générer des instances de données synthétiques et nouvelles, en passant les données réelles. On peut l’utiliser pour la génération de vidéos, la reconnaissance vocale et la génération d’images. Le potentiel des RAG peut servir à la fois le bien et le mal. Ils distribueront des données et s’imiteront les uns les autres. Leur production sera remarquable dans tous les domaines tels que la parole, la musique, les images et la prose.

Comment fonctionnent les réseaux d’information géographique

Il existe un réseau de neurones qui aide à générer les nouvelles instances de données. Les experts appellent ce réseau de neurones “générateur”. Grâce à l’autre réseau neuronal, le discriminateur les évalue avec authenticité. Cela signifie que le discriminateur décidera si chaque instance de données qu’il évalue appartient à l’ensemble de données d’entraînement réel.
Supposons que nous voulions imiter la Joconde. Nous allons générer des chiffres manuscrits trouvés dans l’ensemble de données MNIST reçues du monde réel. L’objectif principal du discriminateur, tout en montrant l’exemple à l’aide d’un véritable ensemble de données MNIST, est d’identifier les authentiques.
En attendant, le générateur créera de nouvelles images synthétiques qui seront transmises au discriminateur. Cela permettra de générer une nouvelle image similaire à l’authentique mais fausse. Le générateur transmettra les chiffres écrits à la main dans le but de mentir sans se faire prendre. Le discriminateur identifiera les images qui proviennent du générateur comme étant fausses. Le GAN peut prendre les mesures suivantes :
– Les images générées par le générateur seront introduites dans le générateur en même temps que le flux d’images que le jeu de données réelles et de vérité au sol reçoit.
– Le générateur prendra les nombres aléatoires et retournera l’image comme sortie.
– Le discriminateur prendra à la fois les images fausses et réelles et renverra les probabilités. Par exemple, si les nombres sont compris entre 1 et 0, 1 représentera la prédiction comme authentique, et 0 représentera la fausse.
De cette façon, vous aurez une boucle à double rétroaction :
– Le générateur et le discriminateur se trouveront dans la même boucle de rétroaction.
– Le discriminateur sera dans la boucle de rétroaction, et les images seront la vérité de base.
Pour comprendre le GAN, on peut considérer le flic et l’opposition d’une contrefaçon dans un jeu de souris et de chat. Dans le jeu, le faux-monnayeur apprendra à passer les faux billets, et le flic apprendra à détecter ces billets. Les deux personnages seront dynamiques. Par exemple, toute la formation que le flic reçoit sera transférée à l’autre personnage dans une escalade constante.
Le réseau discriminateur est le réseau convolutionnel standard du MNIST, et il catégorisera toutes les images qu’il reçoit. Le classificateur binominal va étiqueter les images comme fausses ou réelles. D’autre part, le générateur sera le réseau convolutif inverse. Le classificateur convolutif standard prendra l’image et réduira la probabilité de production de l’image. Le générateur déséchantillonnera le bruit aléatoire après l’avoir pris comme vecteur.
Le modèle rejette la technique de sous-échantillonnage comme première donnée et génère de nouvelles données comme seconde, comme le max-pooling. Les deux réseaux essaieront d’optimiser des données différentes et opposées comme fonction de perte ou fonction objective dans un jeu à zéro. Cela fonctionnera comme un modèle de critique des acteurs. Lorsque le discriminateur et le générateur modifient leur comportement et vice versa, les pertes s’opposent.

Conclusion

La technique de transformation inverse génère des variables aléatoires qui suivent la distribution donnée, ce qui en fait une variable uniforme et aléatoire. Elle sera soumise à une élégante fonction de transformation. Cette méthode de transformation inverse étendra la notion de méthode de transformation. De plus, elle génère des variables aléatoires. Ces variables développeront les fonctions de variables aléatoires plus simples.