Прежде чем мы углубимся в мир «Машинного обучения и терминов, о которых я никогда не слышал, а если и слышал, то, возможно, знал или не знал, что они означают — прямо как кот Шредингера», мы хотим задать вам короткий вопрос: вы Думаете, ИИ победит во всех областях, даже в подделках? Давайте представим это на мгновение.

Представьте, что вы художник. Не какой-нибудь живописец, а такой, который специализируется, как бы это помягче сказать, не создавать новые вещи, а ковать. Назовем вас Г. А теперь представьте, что напротив вас стоит парень Д, искусствовед — очень талантливый человек, который может распознать фальшивую картину за километры. Теперь давайте представим, что вы хотите показать ему некоторые из своих «Моне».

В начале вся цель G состоит в том, чтобы создать фальшивого Моне. Иногда D влюбляется в них, иногда нет. Но по мере того, как проходит время, и D начинает видеть все больше и больше оригинальных примеров, он становится лучше в распознавании подделок. Поскольку G становится все труднее, скажем, одурачить D, он должен стать лучше. Таким образом, он постепенно начинает создавать лучшие кузницы. Короче говоря, это идея генеративно-состязательных сетей или GAN.

Что такое генеративно-состязательные сети

GAN — это новый тип генеративной модели, представляющий собой ветвь методов обучения без учителя в машинном обучении.

GAN содержит две сети, которые живут в постоянном конфликте — таким образом, враждебный термин, генератор (G) и дискриминатор (D). Как и во всем, что связано с машинным обучением, GAN можно обучать на примерах, таких как изображения, и существует базовое распределение (x), которое управляет ими. Таким образом, G будет генерировать выходные данные или создавать новые материалы, а D будет решать, исходят ли они из одного и того же распределения обучающей выборки или они, как вы уже догадались, фальшивые.

Как работают GAN — технически

Генеративно-состязательные сети выглядят так: G начинается с некоторого шума (z), а генерируемые им изображения — G(z). D, с другой стороны, берет из реальных изображений (x) и поддельных, из G, и классифицирует их как D(x) и D(G(z)).

Что интересно в них, так это то, что оба учатся одновременно. Как только вы обучите G с достаточным количеством входных данных, он будет знать достаточно о распределении и сможет генерировать новые выборки с очень похожими свойствами. И когда вы тренируете D, он будет определять, реальны ли объекты на изображении или нет.

Некоторые реальные приложения GNA

  • Генерация изображения из входных образцов
  • Генерация изображения высокого разрешения из более низкого
  • Генерация интерактивных изображений — iGAN
  • Схематическое абстрактное рассуждение
  • Супер разрешение изображения
  • Образ в живописи
  • Семантическая сегментация
  • Генерация видео
  • Генерация текста в изображение

До выхода нашей следующей статьи, которая будет посвящена синтезу изображений, вы можете проверить наши аккаунты в Facebook и Twitter, где мы будем публиковать другие замечательные вещи об ИИ. Если мы пропустили какую-то важную информацию о GAN, не стесняйтесь оставлять нам комментарии.