Як працює GAN?

Генеративні змагальні мережі (GAN) – це клас моделей машинного навчання, представлений Іеном Гудфеллоу та його колегами у 2014 році. Вони значно розширили можливості штучного інтелекту у галузі генерації реалістичних даних, особливо у галузі синтезу зображень та відео. У цій статті розглядаються принципи роботи GAN, їх архітектура, процес навчання, загальні проблеми та сфери застосування.

Що таке GANs?

За своєю суттю GAN складається з двох нейронних мереж — генератора та дискримінатора, задіяних у сценарії, що ґрунтується на теорії ігор. Генератор призначений для створення синтетичних даних, що імітують реальні дані, у той час як дискримінатор оцінює, чи отримані ним дані є реальними або згенерованими. Завдяки цьому змагальному процесу обидві мережі підвищують свою продуктивність, у результаті створюється генератор, який може видавати дуже реалістичні вибірки даних.

Архітектура GAN

Ось архітектура GAN:

• Мережа генераторів: Генератор призначений отримання синтетичних вибірок даних. Він приймає вектор випадкового шуму zzz як вхідні дані і перетворює його на вибірку даних G(z)G(z)G(z), яка нагадує реальний розподіл даних. Архітектура зазвичай включає кілька рівнів транспонованих згорток (також відомих як деконволюції), які підвищують дискретизацію вхідного вектора шуму до бажаної вихідної форми.
• Мережа дискримінаторів: Завдання дискримінатора - відрізняти реальні вибірки даних від генерованих генератором. Він бере вибірку вхідних даних (реальних чи згенерованих) і виводить ймовірність, що вказує, чи є вибірка реальною чи підробленою.Дискримінатором зазвичай є згорткова нейронна мережа (CNN), яка отримує ієрархічні ознаки з вхідних даних для складання цієї класифікації.
• Змагальне навчання: Процес навчання GAN включає чергування оновлення генератора та дискримінатора. Генератор прагне максимізувати ймовірність того, що дискримінатор помилково класифікує свої вихідні дані як реальні, тоді як дискримінатор прагне мінімізувати помилку при відмінності реальних вибірок підроблених.

Принципи роботи GaN

Принципи роботи GaN такі:

• Введення шуму: Генератор запускається з вектора шуму, що зазвичай вибирається з рівномірного або гаусівського розподілу. Цей вектор шуму служить поданням прихованого простору, з якого генератор створює синтетичні дані.
• Шари генератора:
  • Щільні шари: Початкові шари генератора зазвичай являють собою щільні (цілком пов'язані) шари, які проектують вхідний вектор шуму в багатовимірний простір.
  • Пакетна нормалізація: Щоб стабілізувати навчання та покращити збіжність, пакетна нормалізація часто застосовується до вихідних даних щільних шарів.
  • Транспоновані згортки: Ці шари виконують підвищує дискретизацію, поступово збільшуючи просторові розміри даних при одночасному зменшенні глибини, зрештою отримуючи вихідні дані з тими ж розмірами, що й у реальних даних.
  • Згорткові шари: дискримінатор починається зі згорткових шарів, які витягують об'єкти із вхідних даних. Ці шари зменшують просторові розміри, одночасно збільшуючи глибину.
  • Leaky ReLU: Функції активації, подібні до Leaky ReLU, зазвичай використовуються для забезпечення невеликого градієнта, коли пристрій неактивний, запобігаючи загибелі нейронів.
  • Сигмоїдальний висновок: Останній рівень дискримінатора використовує функцію активації сигмоїда для виведення оцінки ймовірності від 0 до 1, що вказує на ймовірність того, що реальні вхідні дані.

  Висновок
  Генеративні змагальні мережі є значним прогресом у сфері штучного інтелекту. Їхня архітектура, що включає мережі генератора та дискримінатора, поряд із змагальним процесом навчання, дозволяє створювати високореалістичні синтетичні дані. Незважаючи на такі проблеми, як збій режиму та нестабільність тренувань, удосконалення у варіантах та техніках GAN значно підвищили їхню надійність та продуктивність. Завдяки широкому спектру додатків, що охоплюють генерацію, переклад та покращення зображень, GAN продовжують розширювати межі можливого в галузі штучного інтелекту та машинного навчання. У міру розвитку досліджень GAN, ймовірно, відіграватимуть все більш важливу роль у різних галузях, змінюючи способи генерації даних та взаємодії з ними.

  Читати Скільки оперативної пам'яті вам справді потрібно для ігор. Видання 2020

  Часті питання (FAQs) Про те, як працюють GAN

  Нижче наведено деякі питання, які часто задаються, як працюють GAN:

  1. Що таке генеративна змагальна мережа (GAN)?
  Відповідь: Генеративна змагальна мережа (GAN) - це модель машинного навчання, що складається з двох нейронних мереж - генератора та дискримінатора, - які конкурують один з одним за створення та оцінку вибірок синтетичних даних.

  2. Як працює генератор у GAN?
  Відповідь: Генератор приймає вектор випадкового шуму як вхідні дані і перетворює його на синтетичну вибірку даних, яка нагадує реальні дані. Він використовує шари транспонованих пакунків для підвищення дискретизації вектора шуму до бажаної вихідної форми.

  3. Яка роль дискримінатора у GAN?
  Відповідь: Дискримінатор оцінює вибірки даних, щоб визначити, чи є вони реальними (з навчального набору даних) або підробленими (генерованими генератором). Він використовує згорткові шари для вилучення об'єктів із вхідних даних і виводить оцінку ймовірності, що вказує на ймовірність того, що дані є реальними.

  4. Що таке змагальне навчання у GAN?
  Відповідь: Змагальне навчання - це процес одночасного навчання мереж генератора та дискримінатора. Генератор прагне видавати реалістичні дані, щоб обдурити дискримінатор, тоді як дискримінатор прагне точно відрізняти реальні дані від підроблених. Цей конкурентний процес допомагає обом мережам удосконалюватися з часом.

  5. Як навчаються GAN?
  Відповідь: GAN навчаються за допомогою процесу оптимізації, що чергується. Дискримінатор навчений максимізувати свою здатність класифікувати реальні та підроблені дані, а генератор навчений мінімізувати здатність дискримінатора відрізняти свої синтетичні дані від реальних. Градієнтний спуск або його опції використовуються для оновлення параметрів мережі.

  Введення в Генеративно-змагальні мережі (GAN – Genereative Adversarial Networks)

  Генеративно-змагальні мережі, або скорочено GAN, є підходом до генеративного моделювання з використанням методів глибокого навчання, таких як згорткові нейронні мережі.

  Генеративно-змагальні мережі, або скорочено GAN, є підходом до генеративного моделювання з використанням методів глибокого навчання, таких як згорткові нейронні мережі.

  Генеративне моделювання – це завдання машинного навчання без вчителя (неконтрольоване навчання), яке полягає в автоматичному виявленні закономірностей та залежностей у вхідних даних, які можна було б використовувати для генерації на виході нових прикладів, які могли б бути несуперечливо/правдоподібно присутніми в оригінальному (вихідному) ) Набір даних.

  GAN є нетривіальним способом навчання генеративної моделі, що зводить завдання до контрольованого процесу навчання (навчання з учителем), і складається з двох під-моделей: моделі генератора, яку ми навчаємо генерувати нові приклади, і моделі дискримінатора, яка намагається класифікувати приклади як реальні ( із реального джерела) або підроблені (згенеровані). Дві моделі навчаються разом у грі з нульовою сумою (антагоністичної гри), змагальною, доки модель дискримінатора не почне обманюватися приблизно в половині випадків, що означає, що модель генератора генерує правдоподібні приклади.

  GAN є захоплюючою і швидко мінливою областю, яка обіцяє створення генеративних моделей зі здатністю створювати реалістичні приклади для цілого ряду проблемних областей, особливо в таких завданнях обробки зображень, як переведення зображень з літніх в зимові або з дня в ніч, а також у створенні реалістичних фотографій об'єктів, сцен та людей, які люди не можуть відрізнити від підроблених.

  У цьому пості ви познайомитеся з коротким введенням у Генеративно-змагальні мережі, або GAN.

  Зокрема, ви дізнаєтесь:

  • Що таке GAN, включаючи контрольоване та неконтрольоване навчання та дискримінаційне та генеративне моделювання.
  • Що GAN є архітектурою для автоматичного навчання генеративної моделі, переводячи неконтрольоване навчання в контрольоване і використовуючи як генеративну, так і дискримінаційну модель.
  • Що GAN дають можливість складного розширення даних для конкретної задачі та вирішення завдань, що потребують генеративного моделювання, такого, наприклад, як перетворення одного зображення на інше.

  Введення в Генеративно-змагальні мережі (GAN)
  Фото Барні Мосса, права захищені.

  Зміст

  Ця посада складається з трьох частин:

  1. Які бувають генеруючі моделі?
  2. Що таке Генеративно-змагальні мережі?
  3. Навіщо потрібні Генеративно-змагальні мережі?

  Які бувають генеруючі моделі?

  У цьому розділі ми розглянемо ідею генеративних моделей, розглянувши парадигми навчання з учителем та без, а також дискримінаційне моделювання проти генеративного.

  Навчання з учителем проти навчання без учителя

  Типова проблема машинного навчання включає використання моделі для прогнозування, наприклад прогнозує моделювання.

  Для цього потрібен навчальний набір даних, який використовується для навчання моделі, що складається з декількох прикладів, які називають вибірками, кожна з яких містить вхідні змінні (X) та вихідні мітки класу (y). Модель навчається на прикладах вхідних даних, роблячи прогнози вихідних даних та подальшого коригування моделі, щоб зробити вихідні дані більш схожими на очікувані.

  У підході прогнозуючого або контрольованого навчання мета полягає в тому, щоб вивчити модель робити відображення вхідних даних x у вихідні значення y, враховуючи наявний набір пар вводу-виводу.

  Таке моделювання зазвичай називають контрольованою формою навчання чи навчанням із учителем.

  Приклад контрольованого навчання

  Приклади контрольованих завдань навчання включають класифікацію та регресію, а прикладами алгоритмів контрольованого навчання є логістична регресія та випадковий ліс.

  Існує ще одна парадигма навчання, коли моделі задаються лише вхідні змінні (X), і завдання не містить вихідних значень (y).

  Модель будується шляхом вилучення або підсумовування шаблонів, що базуються на вхідних даних. Коригування моделі відсутнє, оскільки модель нічого не прогнозує.

  Другим основним типом машинного навчання є описовий чи неконтрольований підхід до навчання. Тут нам дають лише вхідні дані, і мета полягає в тому, щоб знайти «закономірності» даних. […] Це набагато менш чітко визначене завдання, тому що нам не говорять, які шаблони шукати, і немає очевидної метрики помилки, яку слід використовувати (на відміну від контрольованого навчання, де ми можемо порівняти наш прогноз у для даних х із величиною, що спостерігається) .

  Таку відсутність корекції зазвичай називають неконтрольованою формою навчання чи навчанням без вчителя.

  Приклад навчання без учителя

  Прикладами неконтрольованих завдань навчання є кластеризація та генеративне моделювання, а прикладами неконтрольованих алгоритмів навчання є K-means та генеруючі змагальні мережі.

  Дискримінаційне та генеративне моделювання

  У контрольованому навчанні нас цікавить розробка моделі для прогнозування мітки класу з прикладу вхідних змінних.

  Таке завдання прогнозуючого моделювання називається класифікацією.

  Класифікація також зазвичай називається дискримінаційним моделюванням.

  … Ми використовуємо дані навчання, щоб знайти дискримінантну функцію f(x), яка відображає кожен елемент x безпосередньо у мітку класу, тим самим поєднуючи етапи виведення та прийняття рішення в одне завдання навчання.

  Саме тому, що модель має розділити вхідні змінні за класами; вона повинна вибрати або ухвалити рішення щодо того, до якого класу належить конкретний приклад.

  Приклад дискримінаційного моделювання

  З іншого боку, неконтрольовані моделі, які підсумовують розподіл вхідних змінних, можуть бути використані для створення або створення нових прикладів у вхідному розподілі.

  Такі типи моделей називаються генеративними моделям.

  Приклад генеративного моделювання

  Наприклад, одна змінна може мати відомий розподіл даних, такий як розподіл Гаусса. Генеративна модель повинна бути в змозі проаналізувати цей розподіл даних, а потім використовувати його для генерації нових змінних, які правдоподібно вписуються в розподіл вхідної змінної.

  Підходи, які явно чи неявно моделюють розподіл вхідних даних, а також вихідних даних, відомі як генеративні моделі, оскільки шляхом вибірки з них можна генерувати синтетичні точки у просторі вступних даних.

  Фактично, дійсно хороша генеративна модель може генерувати нові приклади, які не просто правдоподібні, а не відрізняються від реальних прикладів з області вхідних даних.

  Приклади генеративних моделей

  Наївний Байєс – приклад генеративної моделі, яка часто використовується як дискримінаційна модель.

  Наприклад, Наївний Байєс працює, підсумовуючи розподіл ймовірностей кожної вхідної змінної та вихідного класу. Коли робиться прогноз, ймовірність кожного можливого результату обчислюється кожної змінної, незалежні ймовірності об'єднуються, і найімовірніший результат є прогнозом. При зворотному використанні розподілу ймовірностей для кожної змінної можуть бути обрані для створення нових можливих (незалежних) значень ознак.

  Інші приклади генеративних моделей включають прихований розподіл Диріхле або LDA і модель гаусової суміші або GMM.

  Методи глибокого навчання можуть бути використані як генеративні моделі. Два популярні приклади включають обмежену машину Больцмана, або RBM, і Deep Belief Network, або DBN.

  Два сучасні приклади алгоритмів генеративного моделювання глибокого навчання включають Variational Autoencoder, або VAE, і Generative Adversarial Network, або GAN.

  Що таке Генеруючі Змагальні Мережі?

  Генеруючі Змагальні Мережі, або GAN, є заснованою на глибокому навчанні генеративною моделлю.

  У загальному сенсі, GAN є модельної архітектурою для навчання генеративної моделі, й у цій архітектурі найчастіше використовуються моделі глибокого навчання.

  Архітектура GAN була вперше описана у статті Ian Goodfellow, et al. з компанії Google у 2014 році під назвою «Генеративно-змагальні мережі».

  Стандартний підхід під назвою «Глибокі згорткові генеративно-змагальні мережі», або DCGAN, що призвів до більш стабільних моделей, був згодом формалізований Алеком Редфордом та співавт.у роботі 2015 року під назвою «Навчання репрезентативної вибірки з використанням неконтрольованих генеративно-змагальних мереж».

  Більшість сучасних GAN до певної міри засновані на архітектурі DCGAN.

  Архітектура моделі GAN включає дві під-моделі: модель генератора для створення нових прикладів та модель дискримінатора для класифікації того, чи є згенеровані приклади реальними, області вихідних даних або підробленими, згенерованими генеративною моделлю.

  • Генератор. Модель, яка використовується для генерації нових правдоподібних прикладів із галузі змінних завдання.
  • Дискримінатор. Модель, яка використовується для класифікації прикладів як реальних (з реальної галузі) або підроблених (згенерованих).

  Генеративно-змагальні мережі засновані на теоретико-ігровому сценарії, в якому мережа, що генерує, повинна конкурувати з противником. Генеративна мережа виробляє зразки. Його противник, мережа дискримінатора, намагається розрізнити вибірки, взяті з навчальних даних, та вибірки, взяті з генератора.

  Модель генератора

  Модель генератора приймає випадковий вектор фіксованої довжини як вхідні дані і генерує вибірку.

  Вектор взятий випадковим чином з розподілу гауса, і він використовується для початкового процесу генерації. Після навчання точки в цьому багатовимірному векторному просторі будуть відповідати точкам у вихідній області, утворюючи стисле уявлення розподілу даних.

  Цей векторний простір називається прихованим або векторним простором, що складається з прихованих змінних . Приховані змінні – це змінні, які можливі спостереження у вихідної області, але з спостерігаються напряму.

  Латентна змінна – це випадкова змінна, яку ми можемо спостерігати безпосередньо.

  Ми часто називаємо приховані змінні чи прихований простір проекцією чи стислим розподілом даних. Тобто прихований простір забезпечує стиск. У випадку GAN модель генератора вибирає значення з точок у прихованому просторі так, що нові точки, взяті з прихованого простору, можуть бути надані моделі генератора як вхідні дані та використані для генерації нових та різних вихідних прикладів.

  Моделі машинного навчання можуть вивчати статистичний прихований простір зображень, музики та історій, а потім вони можуть використовувати ці простори, створюючи нові твори мистецтва з характеристиками, подібними до тих, які модель бачила у своїх даних при навчанні.

  Після навчання модель генератора зберігається та використовується для генерації нових прикладів.

  Приклад моделі генератора GAN

  Модель Дискримінатора

  Модель дискримінатора бере приклад з області вхідних даних (дійсний або згенерований) і передбачає двійкову мітку класу реального або підробленого (згенерованого).

  Реальний приклад береться із навчального набору даних. Згенеровані приклади виводяться моделлю генератора.

  Дискримінатор – це нормальна (і добре зрозуміла) класифікаційна модель.

  Після процесу навчання модель дискримінатора відкидається, оскільки ми зацікавлені у генераторі.

  Іноді генератор можна змінити, оскільки він навчився ефективно отримувати приклади даних вихідної області. Деякі або всі шари моделі для отримання ознак можуть використовуватися в програмах з використанням таких самих або аналогічних вхідних даних.

  Передбачається, що один із кращих способів обробки зображень – це навчання Генеративно-змагальних мереж (GAN) та подальше повторне використання частини навченої мережі генераторів та дискримінаторів як екстракторів функцій для інших контрольованих завдань.

  Приклад моделі дискримінатора GAN

  GAN як гра для двох гравців

  Як ми вже говорили в попередньому розділі, генеративне моделювання є неконтрольованою проблемою навчання, хоча однією з унікальних властивостей архітектури GAN є те, що навчання генеративної моделі перетворюється на контрольоване завдання навчання.

  Дві моделі, генератор та дискримінатор, навчаються разом. Генератор генерує серію вибірок, і вони, поряд із реальними прикладами вихідної області, надаються дискримінатору, який класифікує їх як реальні чи підроблені.

  Потім дискримінатор оновлюється, щоб покращити розпізнавання реальних і підроблених вибірок у наступному раунді, і, що важливо, генератор оновлюється на основі того, наскільки добре чи ні згенеровані вибірки обдурили дискримінатор.

  Ми можемо думати про генератора як про фальшивомонетника, який намагається створити фальшиві гроші, а про дискримінатора як про поліцейського, який намагається прийняти законні гроші і спіймати фальшиві. Щоб досягти успіху в цій грі, фальшивомонетник повинен навчитися виробляти гроші, які не відрізняються від справжніх грошей, а мережа генераторів повинна навчитися створювати вибірки, взяті з того ж розподілу, що й дані навчання.

  Таким чином, дві моделі конкурують одна з одною, вони суперничають у сенсі теорії ігор і грають у гру з нульовою сумою (антагоністична гра).

  Оскільки інфраструктуру GAN можна природно проаналізувати за допомогою інструментів теорії ігор, ми називаємо GAN змагальними.

  У цьому випадку нульова сума означає, що коли дискримінатор успішно ідентифікує реальні та підроблені вибірки, він винагороджується або не потрібно ніяких змін для параметрів моделі, тоді як генератор штрафується великими оновленнями параметрів моделі.

  З іншого боку, коли генератор вводить в оману дискримінатор, він винагороджується, або не вимагає жодних змін параметрів моделі, а ось дискримінатор штрафується і його параметри моделі оновлюються.

  Наприкінці генератор щоразу створює точні репліки з вхідної області, а дискримінатор неспроможна визначити різницю і передбачає «невпевнено» (наприклад, 50% реального і підробленого) у кожному разі. Це просто приклад ідеалізованого випадку; нам не потрібно діставатися цієї точки, щоб прийти до корисної моделі генератора.

  Приклад архітектури моделі Генеративно-змагальної мережі

  [навчання] змушує дискримінатор спробувати навчитися правильно класифікувати зразки як реальні чи підроблені. Одночасно генератор намагається обдурити класифікатор, уявляючи, що його зразки є реальними. При конвергенції вибірки генератора не відрізняються від реальних даних і дискримінатор завжди видає 1/2. Потім дискримінатор може бути відкинуто.

  GAN та згорткові нейронні мережі

  GAN зазвичай працюють з даними зображень і використовують згорткові нейронні мережі або CNN як моделі генератора та дискримінатора.

  Причиною цього може бути те, що перший опис методу було зроблено в області комп'ютерного зору і використовувало CNN та дані зображень, а також через суттєвий прогрес, який був досягнутий останніми роками у ширшому використанні CNN – наприклад, сучасні результати щодо набору задач комп'ютерного зору, таких як виявлення об'єктів та розпізнавання осіб.

  Дані моделювання зображень означають, що прихований простір, вхідний значення для генератора, забезпечує стисло представлення набору зображень або фотографій, що використовуються для навчання моделі. Це також означає, що генератор створює нові зображення або фотографії, забезпечуючи висновок, який може бути легко переглянуто та оцінено розробниками або користувачами моделі.

  Можливо, саме цей факт перевершує інші, здатність візуально оцінювати якість даних, що генеруються, що призвело як до фокусу на додатках комп'ютерного зору з CNN, так і до суттєвих досягнень GAN в порівнянні з іншими генеративними моделями.

  Умовні GAN

  Важливим розширенням GAN є їхнє використання для умовного генерування вихідних даних.

  Генеративна модель може бути навчена генерувати нові приклади з області введення, де введення, випадковий вектор прихованого простору, забезпечується (обумовлений) деяким додатковим введенням.

  Додатковим введенням може бути значення класу, наприклад, чоловік або жінка при створенні фотографій людей, або цифра у разі створення зображень рукописних цифр.

  Генеративні змагальні мережі можуть бути розширені до умовної моделі, якщо генератор і дискримінатор обумовлені деякою додатковою інформацією y.y може бути будь-якою допоміжною інформацією, такою як позначки класів або дані з інших областей. Ми можемо виконати умову, подавши у дискримінатор і генератор як додатковий вхідний шар.

  Дискримінатор також стає умовним, що означає, що він має як реальне або фальшиве вхідне зображення, так і додаткове введення. У разі умовного введення типу мітки класифікації дискримінатор буде очікувати, що це введення буде належати цьому класу, у свою чергу навчаючи генератор генерувати приклади цього класу, щоб обдурити дискримінатор.

  Таким чином, умовна GAN може використовуватися для генерації прикладів з цього типу.

  Якщо зробити ще один крок уперед, то моделі GAN можуть стати умовними на прикладі зображень. Це дозволить створити такі програми GAN, як переклад тексту на зображення або переклад зображення на інше зображення. Це дозволяє використовувати деякі з найбільш вражаючих додатків GAN, таких як передача стилів, кольору зображення, перетворення фотографій з літа в зиму або з дня в ніч і т.д. буд.

  У випадку умовних GAN для перетворення зображення на зображення, таких як перетворення дня в ніч, дискримінатор надає приклади реальних і згенерованих нічних фотографій, а також (зумовлених) реальних денних фотографій як вхідні дані. Генератор забезпечений випадковим вектором із прихованого простору, а також (зумовленими) реальними денними фотографіями як вхідні дані.

  Приклад умовної архітектури моделі Генеративно-змагальної мережі

  Навіщо потрібні Генеративно-змагальні мережі?

  Одним із багатьох важливих досягнень у використанні методів глибокого навчання в таких галузях, як комп'ютерний зір, є метод, який називається доповненням даних.

  Збільшення даних призводить до отримання ефективніших моделей, що збільшує навички моделі та забезпечує ефект регуляризації, зменшуючи помилку узагальнення. Він працює, створюючи нові, штучні, але правдоподібні приклади з вхідної області даних, де навчається модель.

  Методи є примітивними у разі даних зображень, включаючи кадрування, сальто, масштабування та інші прості перетворення існуючих зображень у наборі навчальних даних.

  Успішне генеративне моделювання забезпечує альтернативний і більш предметно-орієнтований підхід для збільшення даних. Фактично збільшення даних – це спрощена версія генеративного моделювання, хоча це рідко описується таким чином.

  … Збільшення вибірки прихованими (неспостережуваними) даними. Це називається збільшенням даних. […] У інших завданнях приховані дані є фактичними даними, які б спостерігатися, але відсутні.

  У складних областях або областях з обмеженим обсягом даних генеративне моделювання – це найкращий шлях підготуватися до моделювання. У цьому випадку GAN досягли великого успіху в таких областях, як глибоке навчання з підкріпленням.

  Існує багато причин, через які GAN цікаві, важливі та вимагають подальшого вивчення. Ян Гудфеллоу описує деякі з них у своїй основній конференції та пов'язаному з нею технічному звіті 2016 року під назвою «Навчальний посібник з NIPS 2016: Генеруючі змагальні мережі».

  Серед цих причин він виділяє успішну здатність GAN моделювати багатовимірні дані, обробляти дані, що відсутні, і здатність GAN надавати багато-модальні виходи або множинні правдоподібні відповіді.

  Можливо, найбільш переконливе застосування GAN – це умовні GAN для завдань, які вимагають генерації нових прикладів.

  • Зображення з супер-роздільною здатністю.Можливість генерувати версії вхідних зображень з високою роздільною здатністю.
  • Створення творів мистецтва.Здатність до створення чудових нових художніх зображень, ескізів, живопису та багато іншого.
  • Переведення зображення до зображенняМожливість перекладати фотографії між доменами, такими як день і ніч, літо та зима та багато інших.

  Можливо, найбільш вагома причина того, що GAN широко вивчаються, розробляються і використовуються, полягає в їхньому успіху. .

  Можна сказати, що "дивовижні" не є достатнім прикметником для характеристики їхньої здібності та успіху.

  Подальше читання

  Цей розділ пропонує більше ресурсів на тему, якщо ви хочете вивчити її більш детально.

  Posts

  Books

  • Chapter 20. Deep Generative Models, Deep Learning, 2016.
  • Chapter 8. Generative Deep Learning, Deep Learning with Python, 2017.
  • Machine Learning: A Probabilistic Perspective, 2012.
  • Pattern Recognition and Machine Learning, 2006.
  • The Elements of Statistical Learning, 2016.

  Papers

  • Generative Adversarial Networks, 2014.
  • Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, 2015.
  • NIPS 2016 Tutorial: Generative Adversarial Networks, 2016.
  • Conditional Generative Adversarial Nets, 2014.
  • The Malicious Use of Artificial Intelligence: Forecasting, Prevention, Mitigation, 2018.

  Articles

  Резюме

  У цьому пості ви ознайомилися з коротким введенням у Генеративно-змагальні мережі, або GAN.

  Зокрема, ви дізналися:

  • Що таке GAN, включаючи контрольоване та неконтрольоване навчання та дискримінаційне та генеративне моделювання.
  • Що GAN є архітектурою для автоматичного навчання генеративної моделі, розглядаючи неконтрольоване завдання як контрольовану і використовуючи як генеративну, так і дискримінаційну модель.
  • Що GAN забезпечують шлях до складного розширення даних для вихідної області та вирішення завдань, які вимагають генеративного підходу, такого як, наприклад, перетворення зображення на зображення.