Παραγωγικά Δίκτυα Αντιμετώπισης
Τα Generative Adversarial Networks (GAN) δημιουργούν ρεαλιστικά νέα δεδομένα τοποθετώντας δύο νευρωνικά δίκτυα μεταξύ τους σε έναν διαγωνισμό.
Επισκόπηση
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Βαθιά κατάδυση
Παρουσιάστηκε από τον Ian Goodfellow το 2014, ένα GAN εκπαιδεύει δύο δίκτυα ταυτόχρονα. Η γεννήτρια εφευρίσκει πλαστά δείγματα, όπως εικόνες, ξεκινώντας από τυχαίο θόρυβο. Ο διαχωριστής κρίνει εάν κάθε δείγμα είναι πραγματικό (από τα δεδομένα εκπαίδευσης) ή πλαστό (από τη γεννήτρια). Συναγωνίζονται: η γεννήτρια προσπαθεί να κοροϊδέψει αυτόν που διακρίνει, ενώ αυτή που κάνει διάκριση προσπαθεί να μην ξεγελαστεί. Καθώς βελτιώνονται και τα δύο, τα ψεύτικα γίνονται εκπληκτικά ρεαλιστικά. Τα GAN ενίσχυσαν τα φωτορεαλιστικά πρόσωπα στο "This Person Does Not Exist", με το StyleGAN να θέτει τα πρότυπα για πορτρέτα υψηλής ανάλυσης. Είναι διαβόητα δύσκολα στην εκπαίδευση, επιρρεπή σε αστάθεια και «κατάρρευση λειτουργίας», όπου η γεννήτρια παράγει μόνο μερικές επαναλαμβανόμενες εξόδους. Τα μοντέλα διάχυσης τα έχουν ξεπεράσει από τότε για πολλές εργασίες εικόνας, αλλά τα GAN παραμένουν γρήγορα στη δημιουργία και με επιρροή.
Τεχνική διορατικότητα
Η προπόνηση είναι ένα παιχνίδι μίνιμαξ μεταξύ δύο δικτύων με αντίθετους στόχους. Ο υπεύθυνος διάκρισης εκπαιδεύεται να παράγει υψηλές βαθμολογίες για πραγματικά δεδομένα και χαμηλές βαθμολογίες για δεδομένα που παράγονται. η γεννήτρια έχει εκπαιδευτεί να κάνει τον διαχωριστή να βγάζει υψηλές βαθμολογίες για τα ψεύτικα του. Το σημαντικότερο είναι ότι η γεννήτρια δεν βλέπει ποτέ απευθείας πραγματικές εικόνες, μαθαίνει μόνο από το σήμα κλίσης που περνά πίσω από τον διαχωριστή. Στη θεωρητική ισορροπία, η κατανομή εξόδου της γεννήτριας ταιριάζει με τα πραγματικά δεδομένα και ο διαχωριστής δεν μπορεί να κάνει κάτι καλύτερο από το να μαντέψει.
Στρατηγικός αντίκτυπος
Σαφέστερες αποφάσεις
Σας βοηθά να διαχωρίσετε σαφείς τεχνικούς ισχυρισμούς από τη γλώσσα μάρκετινγκ.
Κόστος και προϋπολογισμός
Μπορείτε να κάνετε καλύτερες ερωτήσεις εφαρμογής προτού ξοδέψετε χρήματα ή χρόνο.
Ομάδα και ροή εργασίας
Οι ομάδες με κοινή κατανόηση λαμβάνουν καλύτερες αποφάσεις για προϊόντα, πολιτικές και μάθηση.
The Future of Generative Adversarial Networks
Τα μοντέλα διάχυσης κυριαρχούν πλέον στη δημιουργία εικόνων υψηλής ποιότητας, επομένως τα καθαρά GAN έχουν χάσει την κορωνίδα τους για πολλές δημιουργικές εργασίες. Το πλεονέκτημά τους είναι η ταχύτητα: ένα GAN δημιουργεί μια εικόνα με ένα μόνο πέρασμα προς τα εμπρός, ενώ η διάχυση χρειάζεται πολλά βήματα, έτσι τα GAN επιμένουν σε χρήσεις σε πραγματικό χρόνο, υπερ-ανάλυση και δημιουργία στη συσκευή. Τα υβριδικά συστήματα χρησιμοποιούν όλο και περισσότερο αντίθετες απώλειες τύπου GAN για να αυξήσουν τις εξόδους από άλλα μοντέλα. Αναμένετε ότι τα GAN θα συνεχίσουν να λειτουργούν ως ένα γρήγορο, ελαφρύ εξάρτημα και όχι ως γεννήτρια επικεφαλίδων.
Υλοποίηση σε πραγματικό κόσμο
Δημιουργία φωτορεαλιστικών προσώπων ανύπαρκτων ανθρώπων, όπως στο ThisPersonDoesNotExist.com
Αναβάθμιση και ευκρίνεια εικόνων χαμηλής ανάλυσης και παλιών βίντεο (υπερ-ανάλυση)
Δημιουργία συνθετικών δεδομένων εκπαίδευσης για πεδία όπου τα πραγματικά δεδομένα είναι σπάνια ή ιδιωτικά
Μεταφορά στυλ και επεξεργασία φωτογραφιών, όπως η μετατροπή σκίτσων σε ρεαλιστικές εικόνες ή η γήρανση ενός προσώπου
Κίνδυνοι & προστατευτικά κιγκλιδώματα
Διαφορετικές ομάδες μπορεί να χρησιμοποιούν τον ίδιο όρο με διαφορετικό τρόπο, επομένως ορίστε το πεδίο εφαρμογής νωρίς.
Τα σημεία αναφοράς μπορεί να φαίνονται ισχυρά ενώ η απόδοση στον πραγματικό κόσμο είναι άνιση.
Η αγνόηση της ποιότητας των δεδομένων και των σχεδίων αξιολόγησης δημιουργεί συχνά εύθραυστα αποτελέσματα.
Οδικός Χάρτης Εφαρμογής
Ξεκινήστε με έναν ορισμό σε απλή γλώσσα του αποτελέσματος που χρειάζεστε.
Επιλέξτε μία μέτρηση επιτυχίας και μία συνθήκη αποτυχίας πριν από τη δοκιμή.
Εκτελέστε ένα μικρό πιλότο με αντιπροσωπευτικά δεδομένα, όχι ένα εκλεπτυσμένο σετ επίδειξης.
Τεκμηριώστε πού βοηθά το Generative Adversarial Networks και πού είναι καλύτερες οι απλούστερες μέθοδοι.
Συνεχίστε την εξερεύνηση
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
Επόμενος οδηγός
Γράφημα Νευρωνικά Δίκτυα
Συχνές ερωτήσεις
What is Generative Adversarial Networks?
Τα Generative Adversarial Networks (GAN) δημιουργούν ρεαλιστικά νέα δεδομένα τοποθετώντας δύο νευρωνικά δίκτυα μεταξύ τους σε έναν διαγωνισμό. Παρήγαγαν το πρώτο κύμα πειστικών προσώπων που δημιουργήθηκαν από την τεχνητή νοημοσύνη και παραμένουν μια ιδέα ορόσημο στη γενετική τεχνητή νοημοσύνη.
Ποια είναι τα δύο ανταγωνιστικά δίκτυα σε ένα GAN;
Ένα GAN ζευγαρώνει μια γεννήτρια, η οποία δημιουργεί πλαστά δείγματα, με έναν διαχωριστή, ο οποίος προσπαθεί να ξεχωρίσει πραγματικά δεδομένα από τα πλαστά της γεννήτριας.
Από τι ξεκινά η γεννήτρια όταν δημιουργεί ένα νέο δείγμα;
Η γεννήτρια μετατρέπει ένα διάνυσμα τυχαίου θορύβου σε ένα συνθετικό δείγμα, μαθαίνοντας να διαμορφώνει αυτόν τον θόρυβο σε ρεαλιστική έξοδο.
Πώς βελτιώνεται η γεννήτρια κατά τη διάρκεια της προπόνησης;
Η γεννήτρια δεν βλέπει ποτέ απευθείας πραγματικά δεδομένα. Βελτιώνεται χρησιμοποιώντας την ανατροφοδότηση (κλίσεις) που παρέχει ο διαχωριστής σχετικά με το πόσο ψεύτικες φαίνονται οι εξόδους του.
Τι είναι η «κατάρρευση λειτουργίας» σε ένα GAN;
Η κατάρρευση του τρόπου λειτουργίας συμβαίνει όταν η γεννήτρια βρίσκει μερικές εξόδους που ξεγελούν τον διακριτικό και συνεχίζει να τις παράγει, χάνοντας τη διαφορετικότητα.
Ποιος εισήγαγε τα GAN και σε ποιο έτος;
Ο Ian Goodfellow και οι συνεργάτες του εισήγαγαν τα GAN το 2014, ξεκινώντας ένα κύμα έρευνας για τα ανταγωνιστικά παραγωγικά μοντέλα.