21 lines
6.7 KiB
Markdown
21 lines
6.7 KiB
Markdown
|
---
|
|||
|
title: Generative Adversarial Networks
|
|||
|
localeTitle: Генерирующие Adversarial Networks
|
|||
|
---
|
|||
|
## Генерирующие Adversarial Networks
|
|||
|
|
|||
|
## обзор
|
|||
|
|
|||
|
Генерирующие состязательные сети (GAN) - это класс алгоритмов [искусственного интеллекта](https://en.wikipedia.org/wiki/Artificial_intelligence) , используемых в [неконтролируемом компьютерном обучении](https://en.wikipedia.org/wiki/Unsupervised_machine_learning) , реализуемый системой двух [нейронных сетей,](https://en.wikipedia.org/wiki/Neural_network) конкурирующих друг с другом в игровой системе с нулевой суммой. Они были представлены Ян Гудфеллоу и др. в 2014 году. Этот метод может генерировать фотографии, которые выглядят, по крайней мере, поверхностно аутентичными для наблюдателей-людей, обладающих множеством реалистичных характеристик (хотя в тестах люди могут сказать реальные из-за сгенерированных во многих случаях).
|
|||
|
|
|||
|
## метод
|
|||
|
|
|||
|
Одна сеть генерирует кандидатов (генеративных), а другая [оценивает их](https://en.wikipedia.org/wiki/Turing_test) (дискриминационную). Как правило, генерирующая сеть учится отображать из [скрытого пространства](https://en.wikipedia.org/wiki/Latent_variable) в конкретное распределение данных, представляющее интерес, в то время как дискриминационная сеть различает экземпляры от истинного распределения данных и кандидатов, созданных генератором. Цель обучения генеративной сети - увеличить частоту ошибок дискриминационной сети (т. Е. «Обмануть» сеть дискриминаторов, создавая новые синтезированные экземпляры, которые, как представляется, исходят из истинного распределения данных).
|
|||
|
|
|||
|
На практике известный набор данных служит исходными данными обучения для дискриминатора. Обучение дискриминатора предполагает представление его с образцами из набора данных, пока он не достигнет определенного уровня точности. Обычно генератор засевается рандомизированным входом, который выбирается из предопределенного скрытого пространства (например, [многомерного нормального распределения](https://en.wikipedia.org/wiki/Multivariate_normal_distribution) ). После этого образцы, синтезированные генератором, оцениваются дискриминатором. [Backpropagation](https://en.wikipedia.org/wiki/Backpropagation) применяется в обеих сетях, так что генератор создает более качественные изображения, в то время как дискриминатор становится более опытным при маркировке синтетических изображений. Генератор обычно является деконволюционной нейронной сетью, а дискриминатор представляет собой [сверточную нейронную сеть](https://en.wikipedia.org/wiki/Convolutional_neural_network) .
|
|||
|
|
|||
|
Идея вывести модели в конкурентной среде (модель против дискриминатора) была предложена Ли, Гаучи и Гросом в 2013 году. Их метод используется для поведенческого вывода. Это называется Тьюрингом Изучением, так как эта настройка аналогична настройке [теста Тьюринга](https://en.wikipedia.org/wiki/Turing_test) . Обучение Тьюринга - это обобщение ГАН. Могут рассматриваться модели, отличные от нейронных сетей. Более того, дискриминаторам разрешено влиять на процессы, из которых получены наборы данных, делая их активными запросчиками, как в тесте Тьюринга. Идея о состязательном обучении также можно найти в более ранних работах, таких как Шмидхубер в 1992 году.
|
|||
|
|
|||
|
## заявка
|
|||
|
|
|||
|
GAN были использованы для производства образцов [фотореалистичных](https://en.wikipedia.org/wiki/Photorealistic) изображений для визуализации нового интерьера / промышленного дизайна, обуви, сумок и предметов одежды или предметов для сцен компьютерных игр. Сообщалось, что эти сети используются Facebook. Недавно GAN смоделировали модели движения в видео. Они также использовались для восстановления 3D-моделей объектов с изображений и улучшения астрономических изображений. В 2017 году для ускорения изображения с использованием автоматизированного синтеза текстур в сочетании с перцептивной потерей был использован полностью сверточный комбинированный GAN-фильтр. Система фокусировалась на реалистичных текстурах, а не на пиксельной точности. Результатом было высокое качество изображения при высоком увеличении.
|