Генеративне контрадикторне мреже или ГАН-ови су приступ генеративног моделирања који се користи Дубоко учење да на паметан начин обучи модел за генерисање података коришћењем приступа под-модела. У овом чланку ћемо покушати детаљно да разумемо „Шта су ГАН“. У овом чланку су обрађене следеће теме:
- Шта су генеративни модели?
- Шта су генеративна контрадикторна мрежа?
- Изазови генеративне контрадикторне мреже?
- Апликације генеративних контрадикторних мрежа
Шта су генеративни модели?
Генеративни модели нису ништа друго до они модели који користе приступ. У генеративном моделу постоје узорци у подацима, тј. Улазне променљиве Кс, али му недостаје излазна променљива И. Користимо само улазне променљиве за обуку генеративног модела и он препознаје обрасце из улазних променљивих да генерише излаз који је непознат и само на основу података о обуци.
У , више смо усмерени ка стварању предиктивних модела од улазних променљивих, овај тип моделирања познат је под називом дискриминативно моделирање. У класификационом проблему, модел мора разликовати којој класи припада пример. С друге стране, модели под надзором се користе за стварање или генерисање нових примера у дистрибуцији улаза.
Да бисмо дефинисали генеративне моделе лаички речено, можемо рећи, генеративни модели су у стању да генеришу нове примере из узорка који нису само слични другим примерима већ се и не могу разликовати.
Најчешћи пример генеративног модела је која се чешће користи као дискриминативни модел. Остали примери генеративних модела укључују Гауссов модел смеше и прилично модеран пример који је Генерал Адверсариал Нетворкс. Покушајмо да схватимо шта су ГАН-ови?
Шта су генеративна контрадикторна мрежа?
Генеративне контрадикторне мреже или ГАН-ови су генеративни модел заснован на дубоком учењу који се користи за учење без надзора. У основи је то систем у коме се двоје такмиче Неуронске мреже такмиче се једни с другима у стварању или генерисању варијација података.
Први пут га је у раду описао Иан Гоодфеллов 2014. године, а стандардизовану и много стабилнију теорију модела предложио је Алец Радфорд 2016. године који је познат под називом ДЦГАН (Дееп Цонволутионал Генерал Адверсариал Нетворкс). Већина постојећих ГАН-ова користи ДЦГАН архитектуру.
Архитектура ГАН-а састоји се од два под-модела позната као Модел генератора и Модел дискриминације. Покушајмо да схватимо како ГАН-ови заправо раде.
Како то функционише?
Да бисмо разумели како ГАН-ови раде, рашчланимо га.
- Генеративе - Значи да модел следи приступ и генеративни је модел.
- Спорни - Модел је обучен у контрадикторном окружењу
- Мрежа - За обуку модела користи неуронске мреже као алгоритме вештачке интелигенције.
У ГАН-овима постоји мрежа генератора која узима узорак и генерише узорак података, а након тога мрежа дискриминатор одлучује да ли се подаци генеришу или узимају из стварног узорка помоћу бинарног проблем уз помоћ сигмоидне функције која даје излаз у опсегу 0 до 1.
Генеративни модел анализира дистрибуцију података на такав начин да се након фазе обуке вероватноћа да дискриминатор погреши максимизира. А Дискриминатор се, с друге стране, заснива на моделу који ће проценити вероватноћу да узорак долази из стварних података, а не из генератора.
како се користе пакети у јави
Читав процес се може формализовати у математичкој формули датој у наставку.
У горњој формули:
Г = Генератор
Д = Дискриминатор
Пдата (к) = Дистрибуција стварних података
Пдата (з) = Дистрибутер генератора
к = узорак из стварних података
з = узорак из генератора
Д (к) = Мрежа дискриминатора
Г (з) = мрежа генератора
Сада долази део за обуку за ГАН, који се даље може поделити на 2 дела која се раде узастопно.
Како обучити ГАН?
Део 1:
Обучите дискриминатор и замрзните генератор, што значи да је сет тренинга за генератор претворен у Фалсе и мрежа ће радити само прослеђивање унапред и неће се примењивати повратно ширење.
У основи дискриминатор је обучен са стварним подацима и проверава да ли их може тачно предвидети, а исти са лажним подацима да би их идентификовао као лажне.
Део 2:
Обучите генератор и замрзните дискриминатор. У овој фази добијамо резултате из прве фазе и можемо их користити за побољшање у односу на претходно стање како бисмо покушали боље заварати дискриминатор.
шта формат ради у питхону
Кораци за тренинг
- Дефинишите проблем - дефинисати проблем и прикупити податке.
- Изаберите Арцхитецтуре Оф ГАН - У зависности од вашег проблема одаберите како треба да изгледа ваш ГАН.
- Обучити дискриминатор на стварним подацима - Обучите дискриминатор са стварним подацима да их предвиђају као стварне н број пута.
- Генеришите лажне улазе за генератор - Генеришите лажне узорке из генератора
- Обучити дискриминатор на лажним подацима - Обучите дискриминатор да предвиђене податке предвиђа као лажне.
- Оснивач генератора са излазом дискриминатора - Након што добијете предвиђања дискриминатора, обучите генератора да завара дискриминатор
Изазови генеративне контрадикторне мреже
Концепт ГАН-а је прилично фасцинантан, али постоји много застоја који могу да изазову много препрека на његовом путу. Неки од главних изазова са којима се суочавају ГАН-ови су:
- Стабилност потребно је између дискриминатора и генератора, иначе би читава мрежа једноставно пала. У случају да је Дискриминатор превише моћан, генератор неће успети да се у потпуности обучи. А ако је мрежа превише попустљива, створила би се било која слика која би мрежу учинила бескорисном.
- ГАН-ови гадно пропадају у одређивању позиционирање објеката у смислу колико пута би требало да се објекат догоди на тој локацији.
- Тродимензионална перспектива мучи ГАН-ове јер није у стању да их разуме перспектива , често ће дати равну слику за 3-д објекат.
- ГАН-ови имају проблем са разумевањем глобални објекти . Не може разликовати или разумети холистичку структуру.
- Новији типови ГАН-а су напреднији и очекује се да ће ове недостатке у потпуности превазићи.
Генеративне противничке мреже
Следи неколико примена ГАН-ова.
Предвиђање следећег кадра у видео запису
Предвиђање будућих догађаја у видео оквиру омогућено је уз помоћ ГАН-ова. ДВД-ГАН или двоструки видео дискриминатор ГАН могу генерисати 256 × 256 видео записа значајне верности дужине до 48 кадрова. Ово се може користити у разне сврхе, укључујући надзор, у којем можемо утврдити активности у оквиру који се искривљује услед других фактора попут кише, прашине, дима итд.
Стварање текста у слику
Објектно вођени пажљиви ГАН (обј-ГАН) изводи синтезу текста на слику у два корака. Генерирање семантичког изгледа је почетни корак, а затим је генерисање слике синтезом слике помоћу де-конволуционог генератора слике завршни корак.
Ово би се могло интензивно користити за генерисање слика разумевањем описа, распореда и прочишћавањем детаља синтезом речи. Постоји још једна студија о сториГАН-овима која може синтетизовати целу плочу прича из пуких пасуса.
збир цифара броја у јави
Побољшање резолуције слике
Генеративна супарничка мрежа супер резолуције или СРГАН је ГАН који може да генерише слике супер резолуције из слика ниске резолуције са финијим детаљима и бољим квалитетом.
Апликације могу бити огромне, замислите квалитетнију слику са финијим детаљима генерисаним из слике ниске резолуције. Количина помоћи коју би пружила за идентификовање детаља на сликама ниске резолуције може се користити у шире сврхе, укључујући надзор, документацију, сигурност, откривање образаца итд.
Превођење слике у слику
Пик2Пик ГАН је модел дизајниран за општу намену превођења слика-слика.
Интерактивна генерација слика
ГАН-ови се такође могу користити за генерисање интерактивних слика, Лабораторија за рачунарске науке и вештачку интелигенцију (ЦСАИЛ) развила је ГАН који може генерисати 3-Д моделе са реалистичним осветљењем и рефлексијама које омогућавају уређивање облика и текстуре.
У новије време истраживачи су смислили модел који може синтетизовати реконструисано лице анимирано покретом особе, истовремено задржавајући изглед лица.
Ово нас доводи до краја овог чланка где смо научили „Шта су ГАН-ови“. Надам се да вам је јасно све што је са вама подељено у овом упутству.
Ако вам је овај чланак о „Шта су ГАН-ови“ релевантан, погледајте поуздана компанија за учење на мрежи са мрежом од више од 250.000 задовољних ученика раширених широм света.
Овде смо да вам помогнемо у сваком кораку на путовању и осмислимо курикулум који је створен за студенте и професионалце који желе да буду . Курс је дизајниран да вам пружи почетну предност у Питхон програмирању и обучи вас за основне и напредне Питхон концепте заједно са разним као
Ако наиђете на неко питање, слободно поставите сва своја питања у одељку за коментаре у „Шта су ГАН-ови“ и наш тим ће вам радо одговорити.