Neste artigo, aprenderá sobre redes adversas generativas ou GANs. As redes de adversários generativos são a abordagem de modelação generativa para técnicas de aprendizagem profunda. Este exemplo para GANs inclui redes neuronais convolutivas.
A modelização gerativa é uma tarefa de aprendizagem mecânica para a aprendizagem não supervisionada. Inclui a aprendizagem das regularidades, descobertas automáticas, ou padrões como dados de entrada. Desta forma, o modelo pode utilizar novos dados generativos para a aprendizagem de máquinas, o que envolve a aprendizagem automática. Pode utilizar todas as regularidades ou padrões nos dados introduzidos de uma forma que gere novos exemplos que pode extrair do conjunto de dados original.
Utilizar GANs para treinar o modelo generativo e enquadrar o problema para a aprendizagem supervisionada com dois sub-modelos.

– Modelo Discriminador

O modelo discriminador classifica os exemplos como falsos (gerados) ou reais (domínio). É necessário treinar estes dois modelos em conjunto num jogo adversário, de soma nula. Isto significa que o modelo gerador gera exemplos plausíveis.

– Modelo Gerador

Utilizamos o modelo generativo para treinar novos exemplos.
Os campos dos GANs estão a mudar rápida e entusiasticamente na capacidade de criar exemplos reais em vários domínios. Isto é especialmente quando as tarefas se relacionam com a imagem, com traduções de fotografias de imagem, tais como do Inverno ao Verão ou da noite ao dia. Isto ajuda a gerar cenas fotorealistas, objectos, e pessoas que não serão reconhecidas como falsas. Este artigo irá ajudá-lo a descobrir as Redes Generativas Adversariais ou GANs.

O que são GANs

O GAN ou Generative Adversarial Network funcionará como uma arquitectura algorítmica utilizando duas redes neurais. Ambas as redes irão opor-se uma à outra para gerar instâncias de dados sintéticos e novos, passando os dados reais. Poderá utilizá-la para a geração de vídeo, reconhecimento de voz, e geração de imagem. O potencial para GANs pode servir tanto o mal como o bem. Distribuirão dados e imitar-se-ão mutuamente. A sua produção será notável para todos os domínios como a fala, a música, as imagens e a prosa.

Como funcionam os GANs

Existe uma rede neural que ajuda a gerar as novas instâncias de dados. Os especialistas chamam a esta rede neural ‘gerador’. Através da outra rede neural, o discriminador avalia-os com autenticidade. Isto significa que o discriminador decidirá se cada instância de dados que avaliar pertence ao conjunto de dados de formação propriamente dito.
Suponhamos que queremos imitar a Mona Lisa. Estaremos a gerar numerais manuscritos encontrados no conjunto de dados MNIST recebidos do mundo real. O principal objectivo do discriminador, ao mostrar a instância com a ajuda de um verdadeiro conjunto de dados MNIST, é identificar os autênticos.
Entretanto, o gerador criará imagens novas e sintéticas que passarão para o discriminador. Isto irá gerar uma nova imagem semelhante à autêntica, mas falsa. O gerador passará os dígitos escritos à mão como o objectivo de mentir sem ser apanhado. O discriminador identificará as imagens que provêm como falsas do gerador. O GAN pode tomar as seguintes medidas:
– As imagens geradas pelo gerador serão alimentadas juntamente com o fluxo de imagens para o gerador que o conjunto de dados de terra e os dados reais recebem.
– O gerador irá pegar nos números aleatórios e devolver a imagem como uma saída.
– O discriminador tomará tanto as imagens falsas como as reais e devolverá as probabilidades. Por exemplo, se os números estiverem entre 1 e 0. 1 representará a previsão como autêntica, e 0 representará a falsificação.
Desta forma, terá um loop com duplo feedback:
– O gerador e o discriminador estarão no mesmo laço de feedback.
– O discriminador estará no laço de feedback, e as imagens serão a verdade de base.
Para compreender o GAN, podemos considerar o polícia e a oposição de uma falsificação num jogo de rato e gato. No jogo, o falsificador aprenderá a passar as notas falsas, e o polícia aprenderá a detectar essas notas. Ambas as personagens serão dinâmicas. Por exemplo, toda a formação que o polícia recebe será transferida para o outro personagem numa constante escalada.
A rede discriminadora é a rede convolucional padrão para o MNIST, e isto irá categorizar todas as imagens que recebe. O classificador binominal irá rotular as imagens como falsas ou reais. Por outro lado, o gerador será a rede convolutiva inversa. O classificador convolutivo padrão tomará a imagem, e reduzirá a probabilidade de produção de imagem. O gerador irá desamostra o ruído aleatório depois de o tomar como um vector.
O modelo deitará fora a técnica de downsampling como os primeiros dados e gerará novos dados como os segundos, tais como o max-pooling. Ambas as redes tentarão optimizar dados diferentes e opostos como função de perda ou função objectiva num jogo de zero-zum. Isto funcionará como um modelo de actor-crítico. Quando o discriminador e o gerador mudam o comportamento e vice-versa, as perdas serão uma contra a outra.

Conclusão

A técnica de transformação inversa irá gerar variáveis aleatórias para seguir a distribuição dada, tornando-a uma variável uniforme e aleatória. Isto irá passar por uma elegante função de transformação. Este método de transformação inversa ampliará a noção do método de transformação. Além disso, gera variáveis aleatórias. Estas variáveis irão desenvolver as funções de variáveis aleatórias mais simples.