5.1 KiB
| title | localeTitle |
|---|---|
| Generative Adversarial Networks | شبكات أدبية تكرارية |
شبكات أدبية تكرارية
نظرة عامة
شبكات الخصومة توليدي (GANS) هي فئة من الذكاء الاصطناعي الخوارزميات المستخدمة في آلة التعلم غير خاضعة للرقابة ، نفذت من خلال نظام من اثنين من الشبكات العصبية 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 (تمييزية). عادة ، تتعلم الشبكة المولدة الخريطة من فضاء كامن 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 ). بعد ذلك ، يتم تقييم العينات التي تم توليفها بواسطة المولد بواسطة المميّز. يتم تطبيق التكاثر العكسي 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 .
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 . 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 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.