In dit artikel leert u over generatieve adversaire netwerken of GAN’s. Generatieve adversaire netwerken zijn de generatieve modelleringsbenadering voor deep learning-technieken. Dit voorbeeld voor GANs omvat convolutionele neurale netwerken.
Generatieve modellering is een machine learning taak voor unsupervised learning. Het omvat het leren van de regelmatigheden, automatische ontdekkingen, of patronen als input data. Op die manier kan het model nieuwe generatieve gegevens gebruiken voor machinaal leren, wat automatisch leren inhoudt. U kunt alle regelmatigheden of patronen in de inputgegevens gebruiken op een manier die nieuwe voorbeelden genereert die u uit de oorspronkelijke dataset kunt putten.
Gebruik GAN’s om het generatieve model te trainen en het probleem in te kaderen voor gesuperviseerd leren met twee submodellen.

– Discriminatiemodel

Het discriminatormodel classificeert de voorbeelden als nep (gegenereerd) of echt (domein). Je moet deze beide modellen samen trainen in een tegenstrijdig, zero-sum spel. Dit betekent dat het generatormodel plausibele voorbeelden genereert.

– Generatormodel

We gebruiken het generatormodel voor het trainen van nieuwe voorbeelden.
De GAN-gebieden zijn snel en boeiend aan het veranderen wat betreft de mogelijkheid om echte voorbeelden te creëren in diverse domeinen. Dit is vooral het geval wanneer de taken betrekking hebben op het beeld, op beeld-foto vertalingen zoals winter naar zomer of nacht naar dag. Dit helpt bij het genereren van fotorealistische scènes, objecten en mensen die je niet als nep zult herkennen. Dit artikel zal u helpen de Generative Adversarial Networks of GAN’s te ontdekken.

Wat zijn GAN’s

De GAN of Generative Adversarial Network zal werken als een algoritmische architectuur die gebruik maakt van twee neurale netwerken. Beide netwerken staan tegenover elkaar om synthetische en nieuwe data-instanties te genereren, waarbij de echte gegevens worden gepasseerd. U kunt het gebruiken voor het genereren van video’s, stemherkenning en afbeeldingen. Het potentieel van GANs kan zowel kwaad als goed dienen. Ze zullen gegevens verspreiden en elkaar nabootsen. Hun output zal opmerkelijk zijn voor alle domeinen zoals spraak, muziek, beelden, en proza.

Hoe GANs werken

Er is een neuraal netwerk dat helpt bij het genereren van de nieuwe gegevensinstanties. Deskundigen noemen dit neurale netwerk ‘generator’. Via het andere neurale netwerk beoordeelt de discriminator ze op echtheid. Dit betekent dat de discriminator zal beslissen of elke data-instantie die hij beoordeelt, behoort tot de werkelijke trainingsdataset.
Stel dat we de Mona Lisa willen nabootsen. We zullen handgeschreven cijfers genereren die voorkomen in de MNIST dataset, die we uit de echte wereld hebben ontvangen. Het hoofddoel van de discriminator, terwijl hij de instantie toont met behulp van een echte MNIST dataset, is de authentieke te identificeren.
Intussen creëert de generator nieuwe en synthetische beelden die aan de discriminator worden doorgegeven. Deze genereert een nieuw beeld dat lijkt op het authentieke, maar vals is. De generator geeft de handgeschreven cijfers door als doel om te liegen zonder gepakt te worden. De discriminator zal de afbeeldingen identificeren die als vals van de generator komen. GAN kan de volgende stappen nemen:
– De beelden gegenereerd door de generator zal worden toegevoerd naast de stroom van beelden in de generator die de grond-waarheid en de werkelijke dataset ontvangen.
– De generator neemt de willekeurige getallen en stuurt het beeld terug als output.
– De discriminator neemt zowel de valse als de echte beelden en geeft de waarschijnlijkheden terug. Bijvoorbeeld, als de getallen tussen 1 en 0 liggen. 1 zal de voorspelling als authentiek voorstellen, en 0 zal de vervalsing voorstellen.
Op deze manier krijg je een lus met dubbele terugkoppeling:
– De generator en de discriminator zitten in dezelfde terugkoppellus.
– De discriminator zal in de terugkoppellus zitten, en de beelden zullen de grondwaarheid zijn.
Om de GAN te begrijpen, kunnen we de agent en de tegenstander van een vervalsing beschouwen in een spel van muis en kat. In het spel zal de vervalser leren om valse biljetten door te geven, en de agent zal leren om die biljetten op te sporen. Beide personages zullen dynamisch zijn. Zo zal bijvoorbeeld alle training die de agent krijgt, worden overgedragen op het andere personage in een constante escalatie.
Het discriminator-netwerk is het standaard convolutionele netwerk voor MNIST, en dit zal alle beelden die het ontvangt categoriseren. De binominale classificator zal de beelden als nep of echt bestempelen. Aan de andere kant zal de generator het inverse convolutionele netwerk zijn. De standaard convolutionele classificator zal het beeld nemen, en het zal de beeldproducerende waarschijnlijkheid downsamplen. De generator zal de willekeurige ruis afsampelen nadat hij het als een vector heeft genomen.
Het model zal de downsampling-techniek weggooien als de eerste gegevens en nieuwe gegevens genereren als de tweede, zoals max-pooling. Beide netten zullen proberen verschillende en tegengestelde gegevens te optimaliseren als verliesfunctie of doelfunctie in een zero-zum game. Dit zal werken als een actor-kritisch model. Wanneer de discriminator en de generator het gedrag veranderen en omgekeerd, zullen de verliezen tegengesteld zijn aan elkaar.

Conclusie

De inverse transform techniek zal willekeurige variabelen genereren om de gegeven verdeling te volgen, waardoor het een uniforme en willekeurige variabele wordt. Dit zal via een elegante transformatiefunctie gaan. Deze inverse transform methode zal de notie van de transformerende methode uitbreiden. Bovendien genereert zij willekeurige variabelen. Deze variabelen zullen de functies van eenvoudiger willekeurige variabelen ontwikkelen.