Generatiiviset kilpailukykyiset verkot tai GAN-verkot ovat generatiivinen mallinnusmenetelmä, joka käyttää Syvä oppiminen kouluttaa mallia älykkäästi datan tuottamiseksi käyttämällä alimallin lähestymistapaa. Tässä artikkelissa yritämme ymmärtää 'Mitä ovat GAN: t' yksityiskohtaisesti. Tässä artikkelissa käsitellään seuraavia aiheita:
- Mitä ovat generatiiviset mallit?
- Mitkä ovat generatiiviset kilpailuverkot?
- Generatiivisen kilpailuverkoston haasteet?
- Generatiiviset kilpailua edistävät verkostosovellukset
Mitä ovat generatiiviset mallit?
Generatiiviset mallit ovat vain malleja, joissa käytetään lähestyä. Generatiivisessa mallissa datassa on näytteitä eli syöttömuuttujia X, mutta siitä puuttuu lähtömuuttuja Y. Käytämme vain tulomuuttujia generatiivisen mallin kouluttamiseen ja se tunnistaa tulomuuttujien kuviot tuntemattoman tuotoksen tuottamiseksi. ja perustuu vain harjoittelutietoihin.
Sisään , olemme enemmän linjassa ennustemallien luomiseen tulomuuttujista, tämän tyyppinen mallinnus tunnetaan nimellä syrjivä mallinnus. Luokitteluongelmassa mallin on erotettava, mihin luokkaan esimerkki kuuluu. Toisaalta valvomattomia malleja käytetään uusien esimerkkien luomiseen tai luomiseen panosjakelussa.
kuinka asettaa luokkatie linuxissa
Generatiivisten mallien määrittelemiseksi maallikon termeillä voidaan sanoa, että generatiiviset mallit pystyvät tuottamaan otoksesta uusia esimerkkejä, jotka eivät ole vain samanlaisia kuin muut esimerkit, mutta ovat myös erottamattomia.
Yleisin esimerkki generatiivisesta mallista on a jota käytetään useammin syrjivänä mallina. Muita esimerkkejä generatiivisista malleista ovat Gaussin seosmalli ja melko moderni esimerkki, joka on General Adversarial Networks. Yritetään ymmärtää, mitä GAN ovat?
Mitkä ovat generatiiviset kilpailuverkot?
Generatiiviset kilpailukykyiset verkot tai GAN: t ovat syvälliseen oppimiseen perustuva generatiivinen malli, jota käytetään valvomatonta oppimista varten. Se on pohjimmiltaan järjestelmä, jossa kaksi kilpailevat Neuroverkot kilpailevat keskenään muunnelmien luomiseksi tai luomiseksi.
Ian Goodfellow kuvaili sitä ensimmäisen kerran vuonna 2014, ja Alec Radford ehdotti vuonna 2016 standardoitua ja paljon vakaata malliteoriaa, joka tunnetaan nimellä DCGAN (Deep Convolutional General Adversarial Networks). Suurin osa nykyisistä GAN-laitteista käyttää DCGAN-arkkitehtuuria.
GAN-arkkitehtuuri koostuu kahdesta alimallista, jotka tunnetaan nimellä Generaattorin malli ja Erottelumalli. Yritetään ymmärtää, miten GANit todella toimivat.
Kuinka se toimii?
Yritämme ymmärtää GAN-verkkojen toiminnan.
- Generatiivinen - Se tarkoittaa, että malli noudattaa lähestymistapa ja on generatiivinen malli.
- Kilpailu - Malli on koulutettu kontradiktorisessa ympäristössä
- Verkko - Mallin kouluttamiseen käyttää hermoverkkoja keinotekoisen älykkyyden algoritmeina.
GAN: issa on generaattoriverkko, joka ottaa otoksen ja tuottaa otoksen tiedoista, ja tämän jälkeen erotinverkko päättää, onko data luotu vai otettu todellisesta näytteestä binääritiedon avulla ongelma sigmoiditoiminnon avulla, joka antaa lähdön alueelle 0-1.
Generatiivinen malli analysoi datan jakautumisen siten, että harjoitteluvaiheen jälkeen todennäköisyys erehdyksen tekijälle maksimoi. Ja erottelija puolestaan perustuu malliin, joka arvioi todennäköisyyden, että näyte tulee todellisista tiedoista eikä generaattorista.
Koko prosessi voidaan muodostaa alla annetulla matemaattisella kaavalla.
Yllä olevassa kaavassa:
G = generaattori
D = erottelija
Pdata (x) = Todellisten tietojen jakauma
Pdata (z) = Generaattorin jakelija
x = näyte todellisista tiedoista
z = näyte generaattorista
D (x) = Erotteluverkko
G (z) = Generaattoriverkko
Nyt tulee GANin koulutusosa, joka voidaan jakaa edelleen kahteen osaan, jotka tehdään peräkkäin.
Kuinka kouluttaa GANia?
Osa 1:
Harjoittele erottelijaa ja jäädytä generaattori, mikä tarkoittaa, että generaattorille asetettu koulutus käännetään vääräksi ja verkko suorittaa vain eteenpäin siirtymisen eikä taaksepäin etenemistä käytetä.
Pohjimmiltaan erottelija koulutetaan todellisilla tiedoilla ja tarkistaa, pystyykö se ennustamaan ne oikein, ja samoin väärennettyjen tietojen kanssa tunnistamaan ne väärennöksiksi.
mitä muoto tekee pythonissa
Osa 2:
Harjoittele generaattoria ja jäädytä erotin. Tässä vaiheessa saamme tulokset ensimmäisestä vaiheesta ja voimme käyttää niitä parantamaan edellisestä tilasta yrittäen huijata erottelijaa paremmin.
Vaiheet harjoitteluun
- Määritä ongelma - määritellä ongelma ja kerätä tietoja.
- Valitse GAN-arkkitehtuuri - Valitse ongelmastasi riippuen miltä GAN näyttää.
- Kouluta syrjintää todellisista tiedoista - Kouluta erottelijaa todellisilla tiedoilla ennustamaan niiden olevan todellisia n monta kertaa.
- Luo väärennettyjä tuloja generaattorille - Luo väärennettyjä näytteitä generaattorista
- Junan erottelija väärennetyistä tiedoista - Kouluta erottelija ennustamaan syntyvät tiedot väärennöksinä.
- Junageneraattori, jolla on erottelukyky - Kun olet saanut erottelijaennusteet, kouluta generaattori huijaamaan erottelijaa
Generatiivisen kontradiktoriverkoston haasteet
GANien käsite on melko kiehtova, mutta on olemassa paljon takaiskuja, jotka voivat aiheuttaa paljon esteitä sen polulle. Jotkut suurimmista GAN: ien kohtaamista haasteista ovat:
- Vakaus Erottimen ja generaattorin välillä vaaditaan muuten koko verkko vain kaatua. Jos erottelija on liian voimakas, generaattori ei onnistu harjoittelemaan kokonaan. Ja jos verkko on liian lempeä, syntyy mikä tahansa kuva, joka tekee verkosta hyödytön.
- GAN: t epäonnistuvat surkeasti määrittäessään esineiden sijoittaminen sen suhteen, kuinka monta kertaa kohteen tulisi esiintyä kyseisessä paikassa.
- Kolmiulotteinen näkökulma häiritsee GAN-verkkoja, koska se ei pysty ymmärtämään näkökulmasta , se antaa usein tasaisen kuvan kolmiulotteiselle objektille.
- GAN: illa on ongelma ymmärtää globaalit objektit . Se ei voi erottaa tai ymmärtää kokonaisvaltaista rakennetta.
- Uudemmat GAN-tyypit ovat kehittyneempiä, ja niiden odotetaan poistavan nämä puutteet kokonaan.
Generatiiviset kontradiktoriset verkkosovellukset
Seuraavassa on muutamia GAN-sovelluksia.
Videon seuraavan kuvan ennustus
Tulevaisuuden tapahtumien ennustaminen videokehyksessä on mahdollista GAN: ien avulla. DVD-GAN tai Dual Video Discriminator GAN voi tuottaa 256 × 256 videota, joiden tarkkuus on jopa 48 kehystä. Tätä voidaan käyttää erilaisiin tarkoituksiin, mukaan lukien valvonta, jossa voimme määrittää toiminnot kehyksessä, joka vääristyy muiden tekijöiden, kuten sateen, pölyn, savun jne.
Teksti kuvien luomiseen
Objektiohjattu tarkkaavainen GAN (obj-GAN), suorittaa tekstistä kuvaan -synteesin kahdessa vaiheessa. Semanttisen asettelun luominen on ensimmäinen vaihe ja sitten kuvan luominen syntetisoimalla kuva käyttämällä konvoluutioista kuvageneraattoria on viimeinen vaihe.
Tätä voitaisiin käyttää intensiivisesti kuvien luomiseen ymmärtämällä kuvatekstit, asettelut ja tarkentamalla yksityiskohtia syntetisoimalla sanoja. StoryGAN: ista on toinen tutkimus, joka voi syntetisoida koko kuvakäsikirjoitukset pelkistä kappaleista.
Kuvan tarkkuuden parantaminen
Superresoluutioinen generatiivinen kontradiktorinen verkko tai SRGAN on GAN, joka pystyy tuottamaan superresoluutioiset kuvat pieniresoluutioisista kuvista, joissa on tarkempia yksityiskohtia ja parempi laatu.
kuinka asentaa pimennys ide
Sovellukset voivat olla valtavia, kuvittele korkealaatuisempi kuva, jossa pienet tarkkuudet tuottavat hienommat yksityiskohdat. Apua, jota se antaisi pientarkkuuksisten kuvien yksityiskohtien tunnistamiseksi, voidaan käyttää laajempiin tarkoituksiin, mukaan lukien valvonta, dokumentointi, turvallisuus, kuvioiden havaitseminen jne.
Kuva kuvaksi käännös
Pix2Pix GAN on malli, joka on tarkoitettu yleiskäyttöiseen kuvan ja kuvan kääntämiseen.
Interaktiivinen kuvankehitys
GAN: ita voidaan käyttää myös vuorovaikutteisten kuvien tuottamiseen. Tietojenkäsittelytiede ja tekoälyn laboratorio (CSAIL) ovat kehittäneet GAN: n, joka pystyy tuottamaan 3D-malleja realistisella valaistuksella ja heijastuksilla, joita muodon ja tekstuurin muokkaus mahdollistaa.
Viime aikoina tutkijat ovat keksineet mallin, joka pystyy syntetisoimaan uudelleen liikkuneet kasvot, jotka on animoitu ihmisen liikkeellä, säilyttäen samalla kasvojen ulkonäön.
Tämä vie meidät tämän artikkelin loppuun, jossa olemme oppineet 'Mitä ovat GANit'. Toivon, että olet selvillä kaikesta, mitä sinulle on jaettu tässä opetusohjelmassa.
Jos löysit tämän artikkelin aiheesta 'Mitä ovat GAN: t', tutustu artikkeliin luotettava verkko-oppimisyritys, jolla on yli 250 000 tyytyväisen oppijan verkosto, levinneenä ympäri maailmaa.
Autamme sinua matkan jokaisessa vaiheessa ja keksimme opetussuunnitelman, joka on suunniteltu opiskelijoille ja ammattilaisille, jotka haluavat olla . Kurssi on suunniteltu antamaan sinulle etumatka Python-ohjelmointiin ja kouluttamaan sinua sekä ydin- että edistyneille Python-käsitteille yhdessä muiden kanssa Kuten
Jos kohtaat kysymyksiä, kysy rohkeasti 'Mitä ovat GANit' -kommenttiosassa, ja tiimimme vastaa mielellään.