Преглед
Генеративните състезателни мрежи (GANs) създават реалистични нови данни, като изправят две невронни мрежи една срещу друга в състезание. Те създадоха първата вълна от убедителни лица, генерирани от AI, и остават забележителна идея в генеративния AI.
Generative Adversarial Networks е част от основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение.
Дълбоко гмуркане
Въведен от Иън Гудфелоу през 2014 г., GAN обучава две мрежи едновременно. Генераторът измисля фалшиви образци, като изображения, започвайки от случаен шум. Дискриминаторът преценява дали всяка проба е истинска (от тренировъчните данни) или фалшива (от генератора). Те се конкурират: генераторът се опитва да заблуди дискриминатора, докато дискриминаторът се опитва да не бъде заблуден. Тъй като и двете се подобряват, фалшификатите стават удивително реалистични. GAN задвижват фотореалистичните лица на „This Person Does Not Exist“, като StyleGAN определя стандарта за портрети с висока разделителна способност. Известно е, че те са трудни за обучение, склонни към нестабилност и „колапс на режима“, където генераторът произвежда само няколко повтарящи се изхода. Дифузионните модели оттогава ги изпревариха за много задачи за изображения, но GAN остават бързи при генериране и влиятелни.
Техническа информация
Тренировката е минимаксна игра между две мрежи с противоположни цели. Дискриминаторът е обучен да извежда високи резултати за реални данни и ниски резултати за генерирани данни; генераторът е обучен да кара дискриминатора да извежда високи резултати за своите фалшификати. Най-важното е, че генераторът никога не вижда реални изображения директно, той се учи само от градиентния сигнал, прекаран обратно през дискриминатора. При теоретично равновесие изходното разпределение на генератора съвпада с реалните данни и дискриминаторът не може да се справи по-добре от предположение.
Овладяване на генеративни състезателни мрежи
Генеративните състезателни мрежи (GANs) създават реалистични нови данни, като изправят две невронни мрежи една срещу друга в състезание. Те създадоха първата вълна от убедителни лица, генерирани от AI, и остават забележителна идея в генеративния AI. Generative Adversarial Networks е част от основния набор от инструменти за изкуствен интелект. Когато го разберете, други теми за ИИ стават по-лесни за оценка и сравнение. За да изградите дълбоко разбиране, третирайте Generative Adversarial Networks като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика, силни екипи, използващи Generative Adversarial Networks, първо изграждат силни концептуални модели, след което картографират тези модели към реални производствени ограничения. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Помага ви да отделите ясните технически твърдения от маркетинговия език. В същото време различни екипи могат да използват един и същ термин по различен начин, така че дефинирайте обхвата рано. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Помага ви да отделите ясните технически твърдения от маркетинговия език.
Помага ви да отделите ясните технически твърдения от маркетинговия език. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Генериране на фотореалистични лица на несъществуващи хора, като на ThisPersonDoesNotExist.com
Увеличаване на размера и изостряне на изображения с ниска разделителна способност и стари видеоклипове (супер разделителна способност)
Създаване на синтетични данни за обучение за полета, където реалните данни са оскъдни или лични
Трансфер на стил и редактиране на снимки, като превръщане на скици в реалистични изображения или състаряване на лице
Модели на изпълнение
Generative Adversarial Networks на практика
Генериране на фотореалистични лица на несъществуващи хора, като на ThisPersonDoesNotExist.com.
Генериране на фотореалистични лица на несъществуващи хора, както на ThisPersonDoesNotExist.com Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Generative Adversarial Networks на практика
Увеличаване на размера и изостряне на изображения с ниска разделителна способност и стари видеоклипове (супер разделителна способност).
Повишаване на мащаба и изостряне на изображения с ниска разделителна способност и стари видеоклипове (свръх разделителна способност) Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Generative Adversarial Networks на практика
Създаване на синтетични данни за обучение за полета, където реалните данни са оскъдни или лични.
Създаване на синтетични данни за обучение за области, където реалните данни са оскъдни или частни. Екипите обикновено получават по-добри резултати, когато определят предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Generative Adversarial Networks на практика
Трансфер на стил и редактиране на снимки, като превръщане на скици в реалистични изображения или състаряване на лице.
Трансфер на стил и редактиране на снимки, като превръщане на скици в реалистични изображения или състаряване на лице Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Пътна карта за изпълнение
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
Започнете с дефиниция на обикновен език за резултата, от който се нуждаете. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изберете един показател за успех и едно условие за неуспех преди тестване.
Изберете един показател за успех и едно условие за неуспех преди тестване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Документирайте къде Generative Adversarial Networks помага и къде по-простите методи са по-добри.
Документирайте къде Generative Adversarial Networks помага и къде по-простите методи са по-добри. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.