Mitandao ya Kuzalisha Maadui
Mitandao ya Uzalishaji ya Adversarial (GANs) huunda data mpya ya kweli kwa kuhusisha mitandao miwili ya neva dhidi ya kila mmoja katika shindano.
Muhtasari
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Dive ya kina
Ilianzishwa na Ian Goodfellow katika 2014, GAN hufunza mitandao miwili mara moja. Jenereta huvumbua sampuli bandia, kama vile picha, kuanzia kelele za nasibu. Mbaguzi anaamua ikiwa kila sampuli ni halisi (kutoka kwa data ya mafunzo) au bandia (kutoka kwa jenereta). Wanashindana: jenereta inajaribu kudanganya mbaguzi, wakati mbaguzi anajaribu kutodanganywa. Kadiri zote mbili zinavyoboreka, ghushi huwa za kweli kwa kushangaza. GAN ziliwasha nyuso zenye picha halisi kwenye "Mtu Huyu Hayupo," huku StyleGAN ikiweka kiwango cha picha zenye mwonekano wa juu. Wao ni wajanja sana kutoa mafunzo, wanaokabiliwa na ukosefu wa uthabiti na "kuporomoka kwa hali," ambapo jenereta hutoa matokeo machache tu yanayojirudia. Miundo ya usambaaji tangu wakati huo imezishinda kwa kazi nyingi za picha, lakini GAN husalia kwa kasi katika uzalishaji na ushawishi.
Ufahamu wa Kiufundi
Mafunzo ni mchezo mdogo kati ya mitandao miwili yenye malengo pinzani. Mbaguzi amefunzwa kutoa alama za juu kwa data halisi na alama za chini kwa data zinazozalishwa; jenereta imefunzwa kufanya matokeo ya kibaguzi kuwa ya juu kwa feki zake. Muhimu, jenereta kamwe haoni picha halisi moja kwa moja, inajifunza tu kutoka kwa ishara ya gradient iliyopitishwa kupitia kibaguzi. Katika usawa wa kinadharia usambazaji wa pato la jenereta unalingana na data halisi na kibaguzi hawezi kufanya vizuri zaidi kuliko kubahatisha.
Athari za kimkakati
Maamuzi ya wazi zaidi
Inakusaidia kutenganisha madai ya wazi ya kiufundi kutoka kwa lugha ya uuzaji.
Cost and budget
Unaweza kuuliza maswali ya utekelezaji bora kabla ya kutumia pesa au wakati.
Timu na mtiririko wa kazi
Timu zenye uelewa wa pamoja hufanya maamuzi bora ya bidhaa, sera na mafunzo.
Mustakabali wa Mitandao ya Uzalishaji wa Adui
Miundo ya usambaaji sasa inatawala utengenezaji wa picha za ubora wa juu, kwa hivyo GAN safi zimepoteza taji lao kwa kazi nyingi za ubunifu. Ukingo wao ni kasi: GAN hutengeneza picha kwa njia moja ya kusonga mbele, ilhali uenezaji unahitaji hatua nyingi, kwa hivyo GAN huendelea katika matumizi ya wakati halisi, azimio bora zaidi na utengenezaji wa kifaa. Mifumo mseto inazidi kutumia hasara pinzani za mtindo wa GAN ili kunoa matokeo kutoka kwa miundo mingine. Tarajia kampuni za GAN kuishi kama kipengele cha haraka, chepesi badala ya jenereta ya kichwa.
Utekelezaji wa Ulimwengu Halisi
Inazalisha sura halisi za watu ambao hawapo, kama kwenye ThisPersonDoesNotExist.com
Kuinua na kunoa picha za ubora wa chini na video ya zamani (msongo wa juu zaidi)
Kuunda data ya mafunzo ya sanisi kwa sehemu ambazo data halisi ni chache au ya faragha
Uhamishaji wa mitindo na uhariri wa picha, kama vile kugeuza michoro kuwa picha halisi au kuzeeka kwa uso
Hatari & Walinzi
Timu tofauti zinaweza kutumia neno moja tofauti, kwa hivyo fafanua upeo mapema.
Vigezo vinaweza kuonekana kuwa na nguvu ilhali utendakazi wa ulimwengu halisi haufanani.
Kupuuza ubora wa data na mipango ya tathmini mara nyingi huleta matokeo tete.
Ramani ya Utekelezaji
Anza na ufafanuzi wa lugha rahisi wa matokeo unayohitaji.
Chagua kipimo kimoja cha mafanikio na hali moja ya kutofaulu kabla ya kujaribu.
Tekeleza majaribio madogo yenye data wakilishi, si seti ya onyesho iliyoboreshwa.
Hati ambapo Mitandao ya Uzalishaji wa Adui husaidia na ambapo mbinu rahisi ni bora zaidi.
Endelea Kuchunguza
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
Mwongozo unaofuata
Mitandao ya Neural ya Grafu
Maswali yanayoulizwa mara kwa mara
What is Generative Adversarial Networks?
Mitandao ya Uzalishaji ya Adversarial (GANs) huunda data mpya ya kweli kwa kuhusisha mitandao miwili ya neva dhidi ya kila mmoja katika shindano. Walitoa wimbi la kwanza la nyuso za kushawishi zinazozalishwa na AI na kubaki wazo la kihistoria katika AI ya uzalishaji.
Je, ni mitandao gani miwili inayoshindana katika GAN?
GAN inaoanisha jenereta, ambayo huunda sampuli bandia, na kibaguzi, ambacho hujaribu kujua data halisi kutoka kwa bandia za jenereta.
Jenereta huanza kutoka nini wakati wa kuunda sampuli mpya?
Jenereta hubadilisha vekta ya kelele nasibu kuwa sampuli ya sintetiki, ikijifunza kuunda kelele hiyo kuwa matokeo halisi.
Jenereta huboreshaje wakati wa mafunzo?
Jenereta kamwe haoni data halisi moja kwa moja; inaboresha kwa kutumia maoni (gradients) ambayo kibaguzi hutoa kuhusu jinsi matokeo yake yanaonekana kuwa ya uwongo.
'Kuanguka kwa hali' ni nini katika GAN?
Kuanguka kwa hali hutokea wakati jenereta inapopata matokeo machache ambayo yanapumbaza kibaguzi na kuendelea kuyazalisha, na kupoteza utofauti.
Nani alianzisha GAN na mwaka gani?
Ian Goodfellow na wafanyakazi wenzake walianzisha GANs mwaka wa 2014, na kuzindua wimbi la utafiti katika miundo pinzani ya uzalishaji.