В этой статье вы узнаете о генеративных враждебных сетях или GAN. Генеративные соперничающие сети – это подход к генеративному моделированию для техник глубокого обучения. Этот пример для GAN включает в себя конволюционные нейронные сети.
Генеративное моделирование – это задача машинного обучения для неконтролируемого обучения. Оно включает в себя изучение закономерностей, автоматических открытий или закономерностей в качестве исходных данных. Таким образом, модель может использовать новые генеративные данные для машинного обучения, которое включает в себя автоматическое обучение. Все закономерности или шаблоны во входных данных можно использовать таким образом, что из исходного набора данных будут получены новые примеры.
Используйте GAN для обучения генеративной модели и структурирования задачи для обучения под наблюдением с помощью двух подмоделей.

– Модель дискриминатора

Модель дискриминатора классифицирует примеры как поддельные (сгенерированные) или реальные (домен). Вам необходимо обучить обе эти модели вместе в состязательной игре с нулевой суммой. Это означает, что модель генератора генерирует правдоподобные примеры.

– Модель генератора

Мы используем генеративную модель для обучения новым примерам.
Поля GAN быстро и увлекательно меняются в способности создавать реальные примеры в различных областях. Это особенно важно, когда задачи относятся к изображению, к переводу фотографий, например, с зимы на лето или с ночи на день. Это помогает создавать фотореалистичные сцены, объекты и людей, которых вы не узнаете как поддельных. Эта статья поможет вам открыть для себя Generative Adversarial Networks или GAN.

Что такое GAN

GAN или Generative Adversarial Network будет работать как алгоритмическая архитектура с использованием двух нейронных сетей. Обе сети будут противопоставлять друг другу синтетические и новые экземпляры данных, передавая реальные данные. Вы можете использовать ее для генерации видео, распознавания голоса и изображений. Потенциал GAN может служить как злу, так и добру. Они будут распространять данные и имитировать друг друга. Их результат будет замечательным для всех областей, таких как речь, музыка, изображения и проза.

Как работают GAN

Существует нейронная сеть, которая помогает генерировать новые экземпляры данных. Эксперты называют эту нейронную сеть “генератором”. Через другую нейронную сеть дискриминатор оценивает их подлинность. Это означает, что дискриминатор будет решать, принадлежит ли каждый вычисляемый им экземпляр данных к реальному обучающему набору данных.
Предположим, мы хотим подражать Моне Лизе. Мы будем генерировать рукописные цифры, найденные в наборе данных MNIST, полученном из реального мира. Главная цель дискриминатора, при показе экземпляра с помощью истинного набора данных MNIST, состоит в идентификации аутентичных.
В то же время, генератор будет создавать новые синтетические изображения, передавая их дискриминатору. Это создаст новое изображение, похожее на аутентичное, но поддельное. Генератор будет передавать цифры, написанные от руки, как цель – лгать, не попадаясь. Дискриминатор идентифицирует изображения, которые поступают как поддельные от генератора. GAN может выполнить следующие действия:
– Изображения, генерируемые генератором, будут подаваться вместе с потоком изображений в генератор, который получает наземный и фактический набор данных.
– Генератор возьмет случайные числа и вернет изображение на выходе.
– Дискриминатор будет принимать как поддельные, так и реальные изображения и возвращать вероятности. Например, если числа находятся между 1 и 0. 1 будет представлять предсказание как достоверное, а 0 – как подделку.
Таким образом, у вас будет цикл с двойной обратной связью:
– Генератор и дискриминатор будут находиться в одном и том же цикле обратной связи.
– Дискриминатор будет в цикле обратной связи, а изображения будут представлять собой грунтовую истину.
Чтобы понять GAN, можно рассмотреть полицейского и противостояние фальшивки в игре мышь и кошка. В игре фальшивка научится передавать фальшивые ноты, а коп научится распознавать эти ноты. Оба персонажа будут динамичными. Например, вся тренировка, которую получает коп, будет передаваться другому персонажу в постоянной эскалации.
Сеть дискриминаторов – это стандартная конволюционная сеть для MNIST, которая будет классифицировать все получаемые изображения. Биноминальный классификатор пометит изображения как поддельные или реальные. С другой стороны, генератор будет представлять собой обратную конволюционную сеть. Стандартный конволюционный классификатор возьмёт изображение и понизит вероятность получения изображения. Генератор не возьмет образец случайного шума после того, как возьмет его в качестве вектора.
Модель отбросит метод даунсамплирования в качестве первых данных и генерирует новые данные в качестве вторых, такие как макс-поляризация. Обе сети будут пытаться оптимизировать различные и противоположные данные как функцию потерь или объективную функцию в игре с нулевой суммой. Это будет работать как модель, критикующая агентов. Когда дискриминатор и генератор изменят поведение и наоборот, потери будут идти друг против друга.

Заключение

Метод обратного преобразования создаст случайные переменные, которые будут следовать за заданным распределением, что сделает его однородной и случайной переменной. Это будет проходить через элегантную функцию преобразования. Этот метод обратного преобразования расширит понятие метода преобразования. Кроме того, он генерирует случайные переменные. Эти переменные будут развивать функции более простых случайных величин.