Mwongozo wa AI unaoonekana
Ukuaji Unaoendelea wa GAN
Ukuaji unaoendelea hufunza GAN kwa kuanzia katika maazimio madogo na kuongeza tabaka hatua kwa hatua ili kufikia picha zenye msongo wa juu.
Sikiliza mwongozo huuInaonyeshwa na AI · ~2 min
Katika ukurasa huudk 2 kusoma
Muhtasari
Ni muhimu kwa sababu ilifanya usanisi wa GAN thabiti, wa ubora wa megapixel kuwa wa kutumika kwa mara ya kwanza.
Dive ya kina
Ilianzishwa na Karras et al. (NVIDIA) mwaka wa 2017, ukuaji unaoendelea (ProGAN) hushughulikia kukosekana kwa uthabiti na wepesi wa mafunzo ya GAN moja kwa moja kwa ubora wa juu. Jenereta na kibaguzi huanza vidogo, kwa saizi 4x4, kujifunza muundo wa kiwango kikubwa tu. Tabaka mpya ambazo zina azimio mara mbili (8x8, 16x16, hadi 1024x1024) kisha huongezwa kwa ulinganifu kwa mitandao yote miwili wakati wa mafunzo. Muhimu, kila safu mpya hufifia kwa kutumia mseto wa alfa laini ili mtandao usitishwe na mabadiliko ya ghafla ya usanifu. Kwa kujifunza vipengele vikali kabla ya maelezo mazuri, mafunzo huwa thabiti zaidi, huungana kwa haraka, na hutoa nyuso zenye uaminifu wa juu ambazo zilifanya matokeo ya CelebA-HQ kuwa maarufu. Karatasi pia ilianzisha ukengeushaji wa kiwango cha bechi ndogo na viwango vya kujifunza vilivyosawazishwa ili kuleta utulivu zaidi wa mafunzo.
Utekelezaji wa Ulimwengu Halisi
Training on CelebA-HQ to generate synthetic high-resolution face samples.
Studying GAN synthesis on LSUN scene categories.
Understanding the staged architecture that the original StyleGAN extended.
Comparing coarse-to-fine schedules with later fixed-architecture GAN training.
Mustakabali wa Ukuaji Unaoendelea wa GAN
Ukuaji wa hatua kwa hatua ulikuwa msingi uliojengwa juu ya StyleGAN, lakini StyleGAN2 baadaye ilionyesha kuwa usanifu usiobadilika wenye miunganisho ya kuruka na mabaki ya vizuizi unaweza kulingana na ubora wake bila ratiba iliyopangwa, kwa hivyo ukuzaji wa wazi haukufaulu. Urithi wa kina zaidi unaendelea: kizazi cha kutoka-kwa-faini sasa kinaonekana katika uenezaji wa viwango vingi, mabomba ya azimio kuu yaliyoporomoka, na viboreshaji vya nafasi iliyofichika. Kuelewa ukuaji unaoendelea kunasalia kuwa muhimu kwa kuelewa ni kwa nini ujifunzaji wa ngazi ya chini hadi wa juu hutawanisha mafunzo zalishaji.
Kuiweka katika vitendo
Kwa nini ni muhimu
- Kasi na kiwango. Visual AI inaweza kufanya ukaguzi, ugunduzi na kazi za kuweka lebo kiotomatiki kwa kiwango.
- Tengeneza chaguzi. Timu bunifu zinaweza kuiga dhana kwa haraka zaidi na masahihisho machache ya mikono.
- Timu na mtiririko wa kazi. Uendeshaji unaweza kutumia ishara za picha na video ambazo hapo awali zilikuwa ngumu kuchakata.
Jihadharini na
- Haki za picha na idhini zinaweza kuwa hatari za kisheria ikiwa asili haiko wazi.
- Utendaji wa muundo unaweza kutofautiana katika mwangaza, idadi ya watu na mazingira.
- Chanya za uwongo zinaweza kutotambuliwa isipokuwa viwango vya uaminifu vifuatiliwe.
Hatua zinazofuata
- Bainisha vigezo vya kukubalika vya usahihi, kumbukumbu na gharama za makosa.
- Jaribu kwa kutumia data inayolingana na hali halisi ya uzalishaji.
- Ongeza ukaguzi wa kibinadamu kwa utabiri wa chini au utabiri wa athari kubwa.
- Fuatilia mtindo wa kuteleza na uthibitishe upya baada ya mabadiliko ya kamera au mkusanyiko wa data.
Endelea Kuchunguza
Jarida halali
Pata taarifa ya kila siku ya AI
Hadithi tatu za AI zilizothibitishwa kila asubuhi ya wiki, zimetengenezwa kwa Kiingereza rahisi. Bila malipo daima, hakuna matangazo.
Barua pepe moja kila siku ya wiki. Jiondoe kwa bonyeza moja. Hatutauza au kushiriki anwani yako.
Jijaribu mwenyewe
Take the Progressive Growing of GANs quiz
Maoni ya haraka juu ya kila jibu, na cheti kinachoweza kushirikishwa na kitambulisho kinachoweza kuthibitishwa baada ya kupita kozi.
Changia elimu ya AI bila malipo. AI Understanding ni 501(c)(3) isiyo na faida — hakuna matangazo, hakuna kizuizi cha malipo, daima. Toa mchango
Maswali yanayoulizwa mara kwa mara
Je! Ukuaji wa Maendeleo ya GAN ni nini?
Ukuaji unaoendelea hufunza GAN kwa kuanzia katika maazimio madogo na kuongeza tabaka hatua kwa hatua ili kufikia picha zenye msongo wa juu. Ni muhimu kwa sababu ilifanya usanisi wa GAN thabiti, wa ubora wa megapixel kuwa wa kutumika kwa mara ya kwanza.
Je! GAN inayokua polepole huanzaje mafunzo?
Mafunzo huanza saa 4x4, ambapo mitandao hujifunza muundo mbaya, kabla ya tabaka za azimio la juu kuongezwa.
Ni faida gani kuu ya kukuza azimio hatua kwa hatua?
Vipengele vya kujifunzia visivyo vya kawaida kwanza hudumisha mafunzo na kasi ya muunganisho ikilinganishwa na kushambulia mwonekano kamili tangu mwanzo.
Wakati safu mpya ya azimio la juu inapoongezwa, inaletwaje?
Mstari wa kufifia huchanganya matokeo ya safu mpya na towe la azimio la chini lililokuzwa zaidi ili mtandao ujirekebishe hatua kwa hatua.
Kwa nini tabaka zinaongezwa kwa jenereta na kibaguzi?
Mitandao yote miwili hukua sanjari ili mbaguzi aweze kuendelea kutathmini picha katika azimio la sasa la jenereta.
Ni nini madhumuni ya safu ya mchepuko wa kiwango cha minibatch iliyoletwa katika ProGAN?
Inaambatanisha takwimu kuhusu utofauti wa bechi, ikihimiza jenereta kutoa matokeo tofauti badala ya kuporomoka.
Endelea kujifunza
Miongozo inayohusiana
Miongozo zaidi imechaguliwa kwa mada hii