Mô hình sinh là một bài toán trong học máy tương quan đến việc tự động hóa phát hiện và học những mẫu thông dụng trong tài liệu để từ đó, quy mô hoàn toàn có thể phát minh sáng tạo ra những ví dụ mới tương thích với tài liệu gốc .
GAN là một cách tiếp cận mưu trí để đào tạo và giảng dạy mô hình sinh bằng cách nhìn nhận bài toán sinh như một bài toán học có giám sát với hai thành phần : mô hình sinh được đào tạo và giảng dạy để phát minh sáng tạo ví dụ mới, và một quy mô nhìn nhận để phân biệt những ví dụ là một thực thể thật hay một thực thể giả ( được phát minh sáng tạo ra ). Hai quy mô được huấn luyện và đào tạo song song, đối nghịch, cho đến khi quy mô phân biệt bị đánh lừa trên hơn 50 % số mẫu, tức là mô hình sinh thành công trong việc tạo ra dữ liêu giả chất lượng cao .
GAN đã làm thay đổi bức tranh công nghệ một cách nhanh chóng và đầy cảm hứng. Nó cho phép các mô hình tạo ra các ví dụ thực tế trong nhiều vấn đề khác nhau.
Bạn đang đọc: GAN – Mạng sáng tạo đối nghịch – Trí tuệ nhân tạo
Nội dung bài viết
Học có giám sát và không giám sát
Bài toán học máy nổi bật thường tương quan đến việc sử dụng một quy mô để đưa ra Dự kiến. Do đó thành phần không hề thiếu là tập dữ liệu huấn luyện và đào tạo, gồm có nhiều ví dụ, với biến nguồn vào ( X ) và hiệu quả đầu ra ( y ). Hiểu đơn thuần nhất, một quy mô được đào tạo và giảng dạy bằng cách dựa vào những biến nguồn vào, Dự kiến hiệu quả đầu ra và được sửa lại với mỗi lần đoán sai. Sau nhiều lần giảng dạy, năng lực Dự kiến của quy mô dần khớp với tài liệu giảng dạy. Phương pháp này gọi là học có giám sát .
Một biến thể khác là học không giám sát ( còn được gọi là học miêu tả ), trong những bài toán này, tài liệu chỉ có những biến nguồn vào mà không có hiệu quả đầu ra. Mô hình được kiến thiết xây dựng bằng cách trích xuất và tổng hợp những mẫu sống sót trong tài liệu. Do đó không có quy mô đúng chuẩn vì quy mô trong những bài toán này không có công dụng Dự kiến. Cùng với những bài toán khác như phân cụm, GAN thuộc lớp những bài toán học không giám sát .
GAN là gì?
Một cách tổng quát, GAN là lớp những mô hình sinh mà kiến trúc của nó sử dụng mạng nơ ron tự tạo. Kiến trúc GAN tiên phong được miêu tả trong bài báo khóa học năm năm trước do nhóm của Ian Goodfellow ra mắt có tên “ Generative Adversarial Networks. ”
Kiến trúc của GAN gồm có hai thành phần nhỏ là một mô hình sinh để sinh ra ví dụ mới và một quy mô phân biệt để xác lập những thực thể là giả ( được tạo ra bởi mô hình sinh ) hay là một thự thể thật .
- Mô hình sinh. Mô hình sinh ra ví dụ mới từ dư liệu đầu vào.
- Mô hình phân biệt. Mô hình xác định thật giả
Mô hình sinh nhận vào một véc tơ ngẫu nhiên có độ dài cố định và thắt chặt và sinh ra một thực thể giả trong miền tài liệu. Véc tơ này được sinh ra ngẫu nhiên từ phân bổ Gauss và được sử dụng để khởi tạo quy trình sinh. Sau khi được đào tạo và giảng dạy, những điểm trong khoảng trống véc tơ đa chiều này sẽ tương thích với những điểm từ tài liệu thật với phân bổ tài liệu tự nhiên .
Mô hình phân biệt nhận nguồn vào là những ví dụ ( thật và giả ) và triển khai bài toán phân lớp nhị phân để xác lập xem những ví dụ này là thật hay giả. Các tài liệu thật được lấy từ tập dữ liệu huấn luyện và đào tạo, những dữ liêu giả được lấy trực tiếp từ đầu ra của mô hình sinh. Mô hình phân biệt là một quy mô phân lớp dễ hiểu .
Dù là một bài toán học không giám sát nhưng với kiến trúc được phong cách thiết kế mưu trí, GAN được huấn luyện và đào tạo như một bài toán học có giám sát. Mô hình sinh và quy mô phân biệt được huấn luyện và đào tạo đồng thời. Mô hình phân biệt sẽ dần mưu trí hơn trong việc phát hiện những ví dụ thật / giả và do đó mô hình sinh cũng tinh xảo hơn trong việc phát minh sáng tạo của mình .
Nói với ngôn ngữ của Lý thuyết trò chơi, trong bối cảnh này, hai mô hình thi đấu với nhau và đối nghịch trong một game có tổng bằng 0.
Biến thể quan trọng của GAN là những mô hình sinh tạo ra những ví dụ thỏa mãn nhu cầu những điều kiện kèm theo cho trước. Các điều kiện kèm theo này được đưa vào mạng nơ ron dưới dạng những đặc trưng. Các giá trị này hoàn toàn có thể là giá trị bộc lộ những lớp, giá trị số hay một ma trận ( ví dụ bức ảnh ). Đến lượt mình, quy mô phân biệt cũng nhận được những thông tin này và “ ra nhu yếu ” cho mô hình sinh trải qua những quyết định hành động phân lớp của mình .
Cách tiếp cận này là khởi nguồn của hàng loạt những ứng dụng rất ấn tượng của GAN như biến hóa nội dung của ảnh, phát minh sáng tạo phong thái nghệ thuật và thẩm mỹ, tô tranh hay chuyển một bức ảnh mùa hè thành ngày đông, ban ngày thành đêm hôm, v .. v ..
Tại sao phải sử dụng GAN
Một trong những kỹ thuật quan trọng trong học sâu là Data augmentation. Kỹ thuật này giúp tăng hiệu quả mô hình cũng như góp phần giảm nhiễu và overfitting.
Mô hình sinh cung ứng một giải pháp thay thế sửa chữa cho data augmentation, đặc biệt quan trọng hơn, ta hoàn toàn có thể đặt hàng đúng mực những tài liệu tăng cường này với những điều kiện kèm theo cho trước .
Bên cạnh đó, GAN hoàn toàn có thể giúp quy mô hóa những tài liệu trong chiều khoảng trống lớn, xử lý yếu tố thiếu tài liệu và tương hỗ con người trong những việc làm phát minh sáng tạo .
Dưới đây là một số ít ứng dụng của GAN được Goodfellow chỉ ra :
- Cải thiện chất lượng ảnh. GAN có thể sinh ra phiên bản có độ phân giải cao hơn ảnh gốc.
- Sáng tạo nghệ thuật. GAN có khả năng vẽ tranh, viết kịch và sinh ảnh nghệ thuật.
- Thay đổi nội dung ảnh. Thay đổi nội dung bức ảnh như thay đổi từ ban ngày thành ban đêm, mùa hè thành mùa xuân v..v..
Có lẽ nguyên do thuyết phục nhất lý giải cho sự thông dụng của GAN là thành công xuất sắc của những quy mô này. GAN hoàn toàn có thể sinh ra những bức ảnh thật đến nỗi con người cũng khó hoàn toàn có thể nhận ra chúng là ảnh giả .
Cảm ơn bạn đã đọc bài viết ! Nếu bạn thấy bài viết mê hoặc, đừng ngại san sẻ với mọi người và hãy liên tục truy vấn hoặc ĐK ( phía dưới chân trang ) để nhận được những thông tin mới nhất từ trituenhantao.io .
—–
” GAN – Mạng phát minh sáng tạo đối nghịch, ” Trí tuệ tự tạo, Ngày xuất bản : 29/11/2019, URL : https://swing.com.vn/kien-thuc/gioi-thieu-ve-gan-mang-sang-tao-doi-nghich/, Ngày truy vấn : 08/07/2022 .
Bạn muốn trích dẫn bài này : —–
Bài viết có liên quan
-
Issue: *
-
Your Name:
*
-
Your Email: *
-
Details: *
Source: https://swing.com.vn
Category: Wiki