አመንጪ አድቨርሳሪያል ኔትወርኮች
Generative Adversarial Networks (GANs) በውድድር ውስጥ ሁለት የነርቭ ኔትወርኮችን እርስ በርስ በማጋጨት እውነተኛ አዲስ መረጃን ይፈጥራሉ።
አጠቃላይ እይታ
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
ጥልቅ ዳይቭ
እ.ኤ.አ. በ 2014 በኢያን ጉድፌሎው አስተዋወቀ ፣ GAN በአንድ ጊዜ ሁለት አውታረ መረቦችን ያሠለጥናል። ጄኔሬተሩ በዘፈቀደ ጫጫታ ጀምሮ እንደ ምስሎች ያሉ የውሸት ናሙናዎችን ፈልስፏል። አድሎአዊው እያንዳንዱ ናሙና እውነት መሆኑን (ከስልጠናው መረጃ) ወይም የውሸት (ከጄነሬተር) ይፈርዳል። ይወዳደራሉ፡ ጀነሬተሩ አድሎአዊውን ለማሞኘት ይሞክራል፣ አግላዩ ግን እንዳይታለል ይሞክራል። ሁለቱም ሲሻሻሉ፣ ሐሰተኞቹ በሚያስደንቅ ሁኔታ እውን ይሆናሉ። GANs የፎቶ እውነታዊ ፊቶችን በ"ይህ ሰው የለም" ላይ ሃይል ሰጥቷቸዋል፣StyleGAN ከፍተኛ ጥራት ያላቸውን የቁም ምስሎች መስፈርት በማውጣት። ጄኔሬተሩ ጥቂት ተደጋጋሚ ውጤቶችን ብቻ በሚያመርትበት፣ ለማሰልጠን ተንኮለኛ፣ ለአለመረጋጋት እና ለ"ሞድ ውድቀት" የተጋለጡ ናቸው። የስርጭት ሞዴሎች ለብዙ የምስል ስራዎች ቀድሟቸው አልፈዋል፣ ግን GANs በትውልዱ ፈጣን እና ተደማጭነት አላቸው።
ቴክኒካዊ ግንዛቤ
ስልጠና ተቃራኒ ግቦች ባላቸው ሁለት አውታረ መረቦች መካከል ያለ ዝቅተኛ ጨዋታ ነው። አድሎአዊው ለትክክለኛ መረጃ ከፍተኛ ውጤቶችን እና ለተፈጠረው መረጃ ዝቅተኛ ነጥብ እንዲያወጣ ሰልጥኗል። ጀነሬተሩ አድሎአዊ ውጤቱን ለሐሰቶቹ ከፍተኛ ውጤት እንዲያስገኝ ሠልጥኗል። በወሳኝ ሁኔታ፣ ጀነሬተሩ እውነተኛ ምስሎችን በቀጥታ አያይም፣ የሚማረው በአድሎአዊው በኩል ከተመለሰው የግራዲየንት ምልክት ብቻ ነው። በቲዎሬቲካል ሚዛን የጄነሬተር ውፅዓት ስርጭቱ ከእውነተኛው መረጃ ጋር ይዛመዳል እና አድልዎ ከመገመት የተሻለ ምንም ማድረግ አይችልም።
ስልታዊ ተጽእኖ
ግልጽ ውሳኔዎች
ግልጽ ቴክኒካዊ የይገባኛል ጥያቄዎችን ከገበያ ቋንቋ እንዲለዩ ያግዝዎታል።
ወጪ እና በጀት
ገንዘብን ወይም ጊዜን ከማጥፋትዎ በፊት የተሻሉ የትግበራ ጥያቄዎችን መጠየቅ ይችላሉ።
ቡድን እና የስራ ፍሰት
የጋራ ግንዛቤ ያላቸው ቡድኖች የተሻለ ምርት፣ ፖሊሲ እና የመማር ውሳኔዎችን ያደርጋሉ።
የጄኔሬቲቭ አድቨርሳሪያል ኔትወርኮች የወደፊት ዕጣ
የስርጭት ሞዴሎች አሁን ከፍተኛ ጥራት ያለው ምስል ማመንጨትን ይቆጣጠራሉ, ስለዚህ ንጹህ GANs ለብዙ የፈጠራ ስራዎች ዘውዳቸውን አጥተዋል. ጫፋቸው ፍጥነት ነው፡ GAN በአንድ ወደፊት ማለፊያ ውስጥ ምስልን ያመነጫል፣ ስርጭቱ ግን ብዙ ደረጃዎችን ይፈልጋል፣ ስለዚህ GANs በቅጽበት አጠቃቀሞች፣ ልዕለ-ጥራት እና በመሣሪያ ላይ ማመንጨት ላይ ይቆያሉ። ድቅል ሲስተሞች የ GAN-style ተቃራኒ ኪሳራዎችን በመጠቀም ከሌሎች ሞዴሎች የሚወጡትን ዉጤቶች የበለጠ ይጠቅማሉ። GANs ከአርእስት ጀነሬተር ይልቅ ፈጣን፣ ቀላል ክብደት ባለው አካል እንዲኖሩ ይጠብቁ።
የእውነተኛ-ዓለም አተገባበር
በ ThisPersonDoesNotExist.com ላይ እንደሚታየው የሌሉ ሰዎችን ፊቶች በማፍለቅ ላይ
ዝቅተኛ-ጥራት ምስሎችን እና የድሮ ቪዲዮን (እጅግ-ከፍተኛ ጥራት) ወደ ላይ ከፍ ማድረግ እና ማሳጠር
እውነተኛ መረጃ እምብዛም ወይም ግላዊ ለሆኑ መስኮች ሰው ሰራሽ የሥልጠና ውሂብ መፍጠር
የቅጥ ማስተላለፍ እና የፎቶ አርትዖት ፣ እንደ ንድፎችን ወደ እውነታዊ ምስሎች መለወጥ ወይም ፊትን ማርጀት
አደጋዎች እና የጥበቃ መንገዶች
የተለያዩ ቡድኖች ተመሳሳይ ቃል በተለያየ መንገድ ሊጠቀሙ ይችላሉ፣ ስለዚህ ወሰንን ቀደም ብለው ይግለጹ።
የገሃዱ ዓለም አፈጻጸም ያልተስተካከለ ሆኖ ሳለ ማመሳከሪያዎች ጠንካራ ሊመስሉ ይችላሉ።
የውሂብ ጥራት እና የግምገማ እቅዶችን ችላ ማለት ብዙውን ጊዜ ደካማ ውጤቶችን ይፈጥራል.
የትግበራ ፍኖተ ካርታ
የሚፈልጉትን ውጤት በግልፅ ቋንቋ ትርጉም ይጀምሩ።
ከመሞከርዎ በፊት አንድ የስኬት መለኪያ እና አንድ የውድቀት ሁኔታ ይምረጡ።
አንድ ትንሽ አብራሪ በተወካይ ውሂብ ያሂዱ እንጂ የተጣራ ማሳያ ስብስብ አይደለም።
Generative Adversarial Networks የሚረዳበት እና ቀላል ዘዴዎች የተሻሉበት ሰነድ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Generative Adversarial Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
ግራፍ የነርቭ አውታረ መረቦች
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Generative Adversarial Networks?
Generative Adversarial Networks (GANs) በውድድር ውስጥ ሁለት የነርቭ ኔትወርኮችን እርስ በርስ በማጋጨት እውነተኛ አዲስ መረጃን ይፈጥራሉ። በ AI የተፈጠሩ ፊቶችን አሳማኝ የሆነ የመጀመሪያውን ሞገድ አቅርበዋል እና በጄነሬቲቭ AI ውስጥ ትልቅ ቦታ ያለው ሀሳብ ሆነው ይቆያሉ።
በ GAN ውስጥ ሁለቱ ተፎካካሪ አውታረ መረቦች ምንድናቸው?
GAN አንድ ጄኔሬተር ያጣምራል፣ ይህም የውሸት ናሙናዎችን ይፈጥራል፣ ከአድልዎ ጋር፣ ይህም ከጄኔሬተሩ ውሸታሞች እውነተኛ መረጃን ለመናገር ይሞክራል።
አዲስ ናሙና ሲፈጥሩ ጄነሬተር ከምን ይጀምራል?
ጄነሬተሩ የዘፈቀደ ድምጽን ወደ ሰራሽ ናሙና ይለውጠዋል፣ ጫጫታውን ወደ ተጨባጭ ውፅዓት ለመቅረጽ ይማራል።
ጄነሬተር በስልጠና ወቅት እንዴት ይሻሻላል?
ጄነሬተር እውነተኛውን ውሂብ በቀጥታ አያይም; አድልዎ አድራጊው ውጤቶቹ ምን ያህል የውሸት እንደሚመስሉ የሚሰጠውን ግብረመልስ በመጠቀም ያሻሽላል።
በ GAN ውስጥ 'ሞድ ውድቀት' ምንድን ነው?
የሞድ ውድቀት የሚከሰተው ጄኔሬተሩ አድሎአዊውን የሚያሞኙ እና ብዙነትን የሚያጡ ጥቂት ውጤቶችን ሲያገኝ ነው።
GANs ማን አስተዋወቀ እና በየትኛው አመት?
ኢያን ጉድፌሎው እና ባልደረቦቹ GANsን በ2014 አስተዋውቀዋል፣ ይህም የጥናት ማዕበልን ወደ ተቃራኒ አመንጭ ሞዴሎች አስጀምሯል።