רשתות יריבות גנריות או GANs הם גישה דוגמנית גנרית המשתמשת למידה עמוקה לאמן את המודל בצורה חכמה ליצירת נתונים באמצעות גישת המשנה. במאמר זה ננסה להבין את 'מה הם GANs' בפירוט. הנושאים הבאים סוקרים במאמר זה:
מהם דגמים גנרטיים?
מודלים גנרטיים אינם אלא אותם דגמים המשתמשים ב- גִישָׁה. במודל גנראטיבי, יש דוגמאות בנתונים, כלומר משתני קלט X, אך הוא חסר את משתנה הפלט Y. אנו משתמשים רק במשתני הקלט לאימון המודל הגנראטיבי והוא מזהה דפוסים ממשתני הקלט ליצירת פלט שאינו ידוע. ועל סמך נתוני האימון בלבד.
ב , אנו מיושרים יותר ליצירת מודלים מנבאים מתוך משתני הקלט, סוג זה של דוגמנות מכונה דוגמנות מפלה. בבעיית סיווג, המודל צריך להבחין לאיזה מחלקה הדוגמא שייכת. מצד שני, משתמשים במודלים ללא פיקוח כדי ליצור או לייצר דוגמאות חדשות בהפצת הקלט.
כדי להגדיר מודלים גנרטיים במונחי הדיוט נוכל לומר, מודלים גנרטיים, מסוגלים לייצר דוגמאות חדשות מהמדגם שאינן דומות רק לדוגמאות אחרות אלא שאינן מובחנות גם כן.
הדוגמא הנפוצה ביותר למודל גנראטיבי היא המשמש לעתים קרובות יותר כמודל מפלה. דוגמאות נוספות למודלים גנרטיים כוללות מודל תערובת גאוסי ודוגמה מודרנית למדי שהיא רשתות אדברסריות כלליות. בואו ננסה להבין מהם GANs?
מהן רשת יריבה גנרית?
רשתות יריבות גנרטיביות או GANs הם מודל גנראטיבי מבוסס-למידה המשמש ללמידה ללא פיקוח. זו בעצם מערכת שבה שניים מתחרים רשתות עצביות להתחרות ביניהן כדי ליצור או ליצור וריאציות בנתונים.
זה תואר לראשונה במאמר בשנת 2014 על ידי איאן גודפלו ותורת מודלים סטנדרטית ויציבה הרבה הוצעה על ידי אלק רדפורד בשנת 2016, המכונה DCGAN (Deep Convolutional General Adversarial Networks). רוב ה- GAN הקיימים כיום משתמשים בארכיטקטורת DCGAN.
ארכיטקטורת ה- GAN מורכבת משני דגמי משנה המכונים ה- מודל גנרטור וה מודל מפלה. בואו ננסה להבין כיצד GANs באמת עובדים.
איך זה עובד?
כדי להבין איך GAN עובדים, בואו נפרק את זה.
- גנראטיבי - פירוש הדבר שהמודל עוקב אחר ה- גישה ומהווה מודל גנראטיבי.
- מעומת - המודל מאומן במסגרת יריבה
- רשת - לצורך הכשרת המודל, משתמשים ברשתות העצביות כאלגוריתמים של בינה מלאכותית.
ב- GAN יש רשת Generator שלוקחת דגימה ומייצרת דגימת נתונים, ולאחר מכן רשת Discriminator מחליטה אם הנתונים נוצרים או נלקחים מהמדגם האמיתי באמצעות בינארי. בעיה בעזרת פונקציית sigmoid שנותנת את הפלט בטווח 0 עד 1.
המודל הגנראטיבי מנתח את התפלגות הנתונים באופן שלאחר שלב האימון, ההסתברות של המפלה לטעות מקסימאלית. ומפלה, לעומת זאת, מבוסס על מודל שיעריך את ההסתברות שהמדגם מגיע מהנתונים האמיתיים ולא מהגנרטור.
ניתן לרשום את התהליך כולו בנוסחה מתמטית המפורטת להלן.
בנוסחה שלעיל:
תצלום כיצד ליצור סט
G = מחולל
D = מפלה
Pdata (x) = הפצת נתונים אמיתיים
Pdata (z) = מפיץ הגנרטור
ירושה מרובה בג'אווה לדוגמא
x = מדגם מנתונים אמיתיים
z = מדגם מחולל
D (x) = רשת המפלה
G (z) = רשת גנרטורים
כעת מגיע חלק ההדרכה ל- GAN, אותו ניתן לחלק עוד לשני חלקים אשר נעשים ברצף.
כיצד לאמן GAN?
חלק 1:
הכשר את המפלה והקפיא את הגנרטור, כלומר הגדרת האימונים לגנרטור הופכת כ- False והרשת תעשה רק את המעבר קדימה ולא יופעל התפשטות גב.
בעיקרון המאבחן מאומן בנתונים האמיתיים ובודק אם הוא יכול לחזות אותם נכון, ואותו הדבר עם הנתונים המזויפים כדי לזהות אותם כמזויפים.
חלק 2:
הכשיר את הגנרטור והקפיא את המפלה. בשלב זה אנו מקבלים את התוצאות מהשלב הראשון ונוכל להשתמש בהן כדי להשתפר מהמצב הקודם כדי לנסות להטעות את המפלה טוב יותר.
שלבים להכשרה
- תגדיר את הבעיה - להגדיר את הבעיה ולאסוף נתונים.
- בחר אדריכלות של GAN - תלוי בבעיה שלך בחר כיצד GAN שלך צריך להיראות.
- רכבת מאבחן על נתונים אמיתיים - הכשיר את המפלה בנתונים אמיתיים כדי לחזות אותם כממשי למשך מספר פעמים.
- צור תשומות מזויפות למחולל - צור דוגמאות מזויפות מהגנרטור
- רכבת מאבחנת נתונים מזויפים - הכשיר את המפלה לחזות את הנתונים שנוצרו כזיופים.
- מחולל רכבת עם תפוקה של מפלה - לאחר קבלת תחזיות המפלה, הכשיר את הגנרטור להטעות את המפלה
אתגרים של רשת יריבים גנרית
הרעיון של GAN הוא די מרתק אבל יש הרבה נסיגות שיכולות לגרום למכשול רב בדרכו. חלק מהאתגרים העיקריים הניצבים בפני GAN הם:
- יַצִיבוּת נדרש בין המפלה לגנרטור אחרת כל הרשת פשוט תיפול. במקרה, אם ה- Discriminator חזק מדי, הגנרטור לא יצליח להתאמן כליל. ואם הרשת מקלה מדי, כל תמונה תיווצר ותהפוך את הרשת לחסרת תועלת.
- GANs נכשלים בקשיים בקביעת ה- מיקום האובייקטים במונחים של כמה פעמים האובייקט צריך להתרחש באותו מקום.
- נקודת מבט תלת-ממדית מטרידה את ה- GAN מכיוון שהיא אינה מסוגלת להבין נקודת מבט , זה לעתים קרובות ייתן תמונה שטוחה לאובייקט תלת-ממדי.
- ל- GAN יש בעיה להבין את אובייקטים גלובליים . זה לא יכול להבדיל או להבין מבנה הוליסטי.
- סוגים חדשים יותר של GAN מתקדמים יותר וצפויים להתגבר על חסרונות אלה לחלוטין.
יישומי רשת אדברית גנרית
להלן מספר יישומים של GAN.
חיזוי המסגרת הבאה בסרטון
חיזוי האירועים העתידיים במסגרת וידאו מתאפשר בעזרת GAN. DVD-GAN או GAN Video Discriminator יכול ליצור 256 × 256 סרטונים בעלי נאמנות בולטת באורך של עד 48 פריימים. זה יכול לשמש למטרות שונות כולל מעקב בו אנו יכולים לקבוע את הפעילויות במסגרת שמתעוותת בגלל גורמים אחרים כמו גשם, אבק, עשן וכו '.
טקסט ליצירת תמונות
GAN קשוב מונחה עצמים (obj-GAN), מבצע את הסינתזה של טקסט לתמונה בשני שלבים. יצירת הפריסה הסמנטית היא השלב הראשוני ואז יצירת התמונה על ידי סינתזת התמונה באמצעות מחולל תמונות דה-פיתול הוא השלב האחרון.
מה זה שיעור אנונימי בג'אווה
זה יכול לשמש באופן אינטנסיבי ליצירת תמונות על ידי הבנת הכיתובים, הפריסות ושכלול הפרטים על ידי סינתזת המילים. יש מחקר נוסף על storyGANs שיכולים לסנתז את כל לוחות הסיפורים מתוך פסקאות בלבד.
שיפור הרזולוציה של תמונה
רשת יריבה גנרטיבית ברזולוציה סופר או SRGAN היא GAN שיכולה ליצור את התמונות ברזולוציית העל מתמונות ברזולוציה נמוכה עם פרטים עדינים ואיכות טובה יותר.
היישומים יכולים להיות עצומים, דמיין תמונה באיכות גבוהה יותר עם פרטים עדינים יותר שנוצרו מתמונה ברזולוציה נמוכה. ניתן להשתמש בכמות העזרה לזיהוי פרטים בתמונות ברזולוציה נמוכה למטרות רחבות יותר, כולל מעקב, תיעוד, אבטחה, איתור דפוסים וכו '.
תרגום תמונה לתמונה
Pix2Pix GAN הוא מודל המיועד לתמונות תמונה-תמונה-תרגום למטרות כלליות.
יצירת תמונות אינטראקטיביות
ניתן להשתמש ב- GAN ליצירת תמונות אינטראקטיביות גם כן, מעבדת מדעי המחשב ובינה מלאכותית (CSAIL) פיתחה GAN שיכול ליצור מודלים תלת-ממדיים עם תאורה והשתקפויות מציאותיות שמאפשרות עריכת הצורה והמרקם.
לאחרונה, החוקרים העלו מודל שיכול לסנתז פנים משוחזרות מונפשות על ידי תנועת האדם תוך שמירה על מראה הפנים בו זמנית.
זה מביא אותנו לסוף מאמר זה בו למדנו 'מה הם GANs'. אני מקווה שברור לך עם כל מה ששותף איתך במדריך זה.
אם מצאת מאמר זה בנושא 'מהי GANs' רלוונטי, עיין בכתובת חברת למידה מקוונת אמינה עם רשת של יותר מ -250,000 לומדים מרוצים הפרוסים ברחבי העולם.
אנחנו כאן כדי לעזור לכם בכל שלב בדרככם ולהעלות תוכנית לימודים המיועדת לסטודנטים ואנשי מקצוע שרוצים להיות . הקורס נועד לתת לך יתרון בתכנות פיתון ולהכשיר אותך למושגי ליבה מרכזיים ומתקדמים יחד עם מגוון כמו
אם אתה נתקל בשאלות כלשהן, אל תהסס לשאול את כל השאלות שלך בקטע ההערות של 'מהן GANs' והצוות שלנו ישמח לענות.