---
title: Generative Adversarial Networks
localeTitle: شبكات أدبية تكرارية
---
## شبكات أدبية تكرارية

## نظرة عامة

شبكات الخصومة توليدي (GANS) هي فئة من [الذكاء الاصطناعي](https://en.wikipedia.org/wiki/Artificial_intelligence) الخوارزميات المستخدمة في [آلة التعلم غير خاضعة للرقابة](https://en.wikipedia.org/wiki/Unsupervised_machine_learning) ، نفذت من خلال نظام من اثنين من [الشبكات العصبية](https://en.wikipedia.org/wiki/Neural_network) خوض مع بعضها البعض في إطار لعبة محصلتها صفر. تم تقديمهم من قبل Ian Goodfellow et al. في عام 2014 ، يمكن لهذه التقنية أن تولد صوراً تبدو على الأقل ذات صفة سطحية للمراقبين البشريين ، ولها العديد من الخصائص الواقعية (على الرغم من الاختبارات التي يمكن للناس أن يخبروا عنها حقيقة في الكثير من الحالات).

## طريقة

شبكة واحدة تولد المرشحين (generative) والآخر [بتقييمها](https://en.wikipedia.org/wiki/Turing_test) (تمييزية). عادة ، تتعلم الشبكة المولدة الخريطة من [فضاء كامن](https://en.wikipedia.org/wiki/Latent_variable) إلى توزيع بيانات معين للاهتمام ، في حين تميز الشبكة التمييزية بين الحالات من توزيع البيانات الحقيقي والمرشحات التي ينتجها المولد. الهدف التدريبي لشبكة التوليد هو زيادة معدل الخطأ في الشبكة التمييزية (أي ، "خداع" شبكة التمييز من خلال إنتاج حالات تركيبية جديدة يبدو أنها جاءت من توزيع البيانات الحقيقي).

من الناحية العملية ، تعمل مجموعة البيانات المعروفة كبيانات تدريب أولية للمتميز. ينطوي تدريب المتميز على تقديمه مع عينات من مجموعة البيانات ، حتى يصل إلى مستوى معين من الدقة. عادةً ما يتم زرع المولد مع مدخلات عشوائية يتم أخذ عينات منها من مساحة كامنة محددة مسبقًا (مثل [التوزيع الطبيعي متعدد المتغيرات](https://en.wikipedia.org/wiki/Multivariate_normal_distribution) ). بعد ذلك ، يتم تقييم العينات التي تم توليفها بواسطة المولد بواسطة المميّز. يتم تطبيق [التكاثر العكسي](https://en.wikipedia.org/wiki/Backpropagation) في كلتا الشبكتين بحيث ينتج المولد صورًا أفضل ، بينما يصبح التمييز أكثر مهارة عند وضع الصور الاصطناعية. المولد هو عادة شبكة عصبية deconvolutional ، والمميّز هو [شبكة عصبية تلافيفية](https://en.wikipedia.org/wiki/Convolutional_neural_network) .

تم اقتراح فكرة استنتاج النماذج في إطار تنافسي (النموذج مقابل المفاضل) بواسطة Li ، Gauci و Gross في عام 2013. يتم استخدام أسلوبهم في الاستدلال السلوكي. يطلق عليه Turing Learning ، حيث أن الإعداد يشبه إعداد [اختبار Turing](https://en.wikipedia.org/wiki/Turing_test) . Turing Learning هو تعميم على GANs. يمكن اعتبار نماذج أخرى غير الشبكات العصبية. وعلاوة على ذلك ، يسمح للتمييزين بالتأثير على العمليات التي يتم الحصول منها على مجموعات البيانات ، مما يجعلهم مستجوبين نشطين كما في اختبار تورينج. ويمكن أيضا العثور على فكرة التدريب على الخصومات في الأعمال السابقة ، مثل Schmidhuber في عام 1992.

## الوضعية

وقد استخدمت GANs لإنتاج عينات من الصور [الواقعية](https://en.wikipedia.org/wiki/Photorealistic) لأهداف تصور التصميم الداخلي / الصناعي الجديد ، والأحذية والحقائب والملابس أو العناصر لمشاهد ألعاب الكمبيوتر. تم الإبلاغ عن استخدام هذه الشبكات بواسطة Facebook. في الآونة الأخيرة ، صممت GANs أنماط الحركة في الفيديو. وقد تم استخدامها أيضًا لإعادة بناء نماذج ثلاثية الأبعاد للأجسام من الصور ولتحسين الصور الفلكية. في عام 2017 ، تم استخدام GAN feedforward GAN لتحسين الصورة باستخدام توليف مدمج آليًا مع الخسارة الإدراكية. ركز النظام على القوام الواقعي بدلاً من دقة البكسل. كانت النتيجة جودة صورة أعلى عند التكبير المرتفع.