شبكات الخصومة التوليدية
تقوم شبكات الخصومة التوليدية (GANs) بإنشاء بيانات جديدة واقعية عن طريق وضع شبكتين عصبيتين ضد بعضهما البعض في مسابقة.
نظرة عامة
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
الغوص العميق
تم تقديم شبكة GAN بواسطة إيان جودفيلو في عام 2014، وتقوم بتدريب شبكتين في وقت واحد. يقوم المولد باختراع عينات وهمية، مثل الصور، بدءاً من الضوضاء العشوائية. يحكم المُميِّز على ما إذا كانت كل عينة حقيقية (من بيانات التدريب) أو مزيفة (من المولد). إنهم يتنافسون: يحاول المولد خداع المُميِّز، بينما يحاول المُميِّز ألا يُخدع. ومع تحسن كلاهما، تصبح التزييفات واقعية بشكل مذهل. قامت GANs بتشغيل الوجوه الواقعية في فيلم "هذا الشخص غير موجود"، مع وضع StyleGAN معيارًا للصور عالية الدقة. ومن المعروف أنها صعبة التدريب، وعرضة لعدم الاستقرار و"انهيار الوضع"، حيث لا ينتج المولد سوى عدد قليل من المخرجات المتكررة. ومنذ ذلك الحين، تفوقت نماذج الانتشار عليها في العديد من مهام الصور، لكن شبكات GAN ظلت سريعة في الإنشاء ومؤثرة.
البصيرة الفنية
التدريب عبارة عن لعبة صغيرة بين شبكتين لهما أهداف متعارضة. يتم تدريب المُميِّز على إنتاج درجات عالية للبيانات الحقيقية ودرجات منخفضة للبيانات المُولدة؛ يتم تدريب المولد على جعل الناتج المميز يحصل على درجات عالية من المنتجات المقلدة. والأهم من ذلك، أن المولد لا يرى الصور الحقيقية بشكل مباشر أبدًا، بل يتعلم فقط من إشارة التدرج التي يتم تمريرها عبر أداة التمييز. في حالة التوازن النظري، يتطابق توزيع مخرجات المولد مع البيانات الحقيقية ولا يمكن لأداة التمييز أن تفعل أفضل من التخمين.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل شبكات الخصومة التوليدية
تهيمن نماذج الانتشار الآن على توليد الصور عالية الجودة، لذا فقدت شبكات GAN النقية تاجها في العديد من المهام الإبداعية. ميزتها هي السرعة: تولد GAN صورة في تمريرة أمامية واحدة، بينما يحتاج النشر إلى العديد من الخطوات، لذلك تستمر شبكات GAN في الاستخدامات في الوقت الفعلي، والدقة الفائقة، والتوليد على الجهاز. تستخدم الأنظمة الهجينة بشكل متزايد خسائر الخصومة على غرار GAN لزيادة حدة المخرجات من النماذج الأخرى. توقع أن تستمر شبكات GAN كمكون سريع وخفيف الوزن بدلاً من المولد الرئيسي.
التنفيذ في العالم الحقيقي
إنشاء وجوه واقعية لأشخاص غير موجودين، كما هو الحال في موقع ThisPersonDoesNotExist.com
رفع مستوى الصور منخفضة الدقة والفيديو القديم وشحذها (دقة فائقة)
إنشاء بيانات تدريب تركيبية للمجالات التي تكون فيها البيانات الحقيقية نادرة أو خاصة
نقل الأنماط وتحرير الصور، مثل تحويل الرسومات إلى صور واقعية أو شيخوخة الوجه
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث تساعد شبكات الخصومة التوليدية وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
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
الدليل التالي
الرسم البياني للشبكات العصبية
الأسئلة المتداولة
What is Generative Adversarial Networks?
تقوم شبكات الخصومة التوليدية (GANs) بإنشاء بيانات جديدة واقعية عن طريق وضع شبكتين عصبيتين ضد بعضهما البعض في مسابقة. لقد أنتجوا الموجة الأولى من الوجوه المقنعة التي تم إنشاؤها بواسطة الذكاء الاصطناعي وظلوا فكرة بارزة في الذكاء الاصطناعي التوليدي.
ما هما الشبكتان المتنافستان في شبكة GAN؟
تقوم GAN بإقران المولد، الذي يقوم بإنشاء عينات مزيفة، مع أداة تمييز، والتي تحاول التمييز بين البيانات الحقيقية والبيانات المزيفة للمولد.
من ماذا يبدأ المولد عند إنشاء عينة جديدة؟
يقوم المولد بتحويل متجه الضوضاء العشوائية إلى عينة اصطناعية، ويتعلم كيفية تشكيل تلك الضوضاء إلى مخرجات واقعية.
كيف يتحسن المولد أثناء التدريب؟
لا يرى المولد البيانات الحقيقية مباشرة؛ إنه يحسن استخدام التعليقات (التدرجات) التي يوفرها المُميز حول مدى زيف مخرجاته.
ما هو "انهيار الوضع" في GAN؟
يحدث انهيار الوضع عندما يجد المولد بعض المخرجات التي تخدع المُميِّز ويستمر في إنتاجها، مما يفقد التنوع.
من الذي قدم شبكات GAN وفي أي عام؟
قدم إيان جودفيلو وزملاؤه شبكات GAN في عام 2014، وأطلقوا موجة من الأبحاث حول النماذج التوليدية المتعارضة.