เครือข่ายปฏิปักษ์ทั่วไป
Generative Adversarial Networks (GAN) สร้างข้อมูลใหม่ที่สมจริงโดยการนำโครงข่ายประสาทเทียมสองเครือข่ายมาแข่งขันกันในการแข่งขัน
ภาพรวม
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
เจาะลึก
GAN เปิดตัวโดย Ian Goodfellow ในปี 2014 โดยจะฝึกสองเครือข่ายพร้อมกัน เครื่องกำเนิดไฟฟ้าประดิษฐ์ตัวอย่างปลอม เช่น รูปภาพ โดยเริ่มจากสัญญาณรบกวนแบบสุ่ม ผู้แยกแยะจะตัดสินว่าแต่ละตัวอย่างเป็นของจริง (จากข้อมูลการฝึกอบรม) หรือของปลอม (จากเครื่องกำเนิด) พวกเขาแข่งขันกัน: เครื่องกำเนิดพยายามที่จะหลอกผู้เลือกปฏิบัติ ในขณะที่ผู้เลือกปฏิบัติพยายามที่จะไม่ถูกหลอก เมื่อทั้งสองดีขึ้น ของปลอมก็ดูสมจริงจนน่าตกใจ GAN ขับเคลื่อนใบหน้าที่สมจริงเหมือนภาพถ่ายใน "บุคคลนี้ไม่มีอยู่จริง" ด้วย StyleGAN ที่สร้างมาตรฐานสำหรับการถ่ายภาพบุคคลที่มีความละเอียดสูง พวกมันมีความยุ่งยากอย่างมากในการฝึกฝน มีแนวโน้มที่จะเกิดความไม่เสถียรและ "การล่มสลายของโหมด" โดยที่ตัวกำเนิดจะสร้างเอาต์พุตซ้ำ ๆ เพียงไม่กี่ตัวเท่านั้น ตั้งแต่นั้นมา โมเดลการแพร่กระจายได้เข้ามาแทนที่งานด้านภาพจำนวนมาก แต่ GAN ยังคงรวดเร็วในการสร้างและมีอิทธิพล
ข้อมูลเชิงลึกทางเทคนิค
การฝึกซ้อมเป็นเกมมินิแม็กซ์ระหว่างสองเครือข่ายที่มีประตูตรงข้ามกัน ผู้แยกแยะได้รับการฝึกฝนให้ให้คะแนนสูงสำหรับข้อมูลจริงและคะแนนต่ำสำหรับข้อมูลที่สร้างขึ้น เครื่องกำเนิดไฟฟ้าได้รับการฝึกฝนเพื่อให้ผู้แยกแยะให้คะแนนสูงสำหรับของปลอม สิ่งสำคัญที่สุดคือ เครื่องกำเนิดไม่เคยเห็นภาพจริงโดยตรง แต่จะเรียนรู้จากสัญญาณเกรเดียนต์ที่ส่งกลับผ่านตัวแยกแยะเท่านั้น ที่สมดุลทางทฤษฎี การกระจายเอาท์พุตของเครื่องกำเนิดไฟฟ้าจะตรงกับข้อมูลจริง และผู้แยกแยะก็ไม่สามารถทำได้ดีไปกว่าการคาดเดา
ผลกระทบเชิงกลยุทธ์
การตัดสินใจที่ชัดเจนยิ่งขึ้น
ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้
ต้นทุนและงบประมาณ
คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา
ทีมงานและขั้นตอนการทำงาน
ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น
อนาคตของเครือข่ายปฏิปักษ์ทั่วไป
ขณะนี้โมเดลการแพร่กระจายมีอิทธิพลต่อการสร้างภาพคุณภาพสูง ดังนั้น GAN ที่แท้จริงจึงสูญเสียมงกุฎสำหรับงานสร้างสรรค์มากมาย ข้อได้เปรียบของพวกเขาคือความเร็ว: GAN สร้างภาพในการส่งต่อครั้งเดียว ในขณะที่การแพร่กระจายต้องใช้หลายขั้นตอน ดังนั้น GAN จึงยังคงอยู่ในการใช้งานแบบเรียลไทม์ ความละเอียดขั้นสูง และการสร้างบนอุปกรณ์ ระบบไฮบริดใช้การสูญเสียฝ่ายตรงข้ามแบบ GAN มากขึ้นเพื่อเพิ่มความคมชัดของเอาท์พุตจากรุ่นอื่นๆ คาดว่า GAN จะเป็นส่วนประกอบที่รวดเร็วและมีน้ำหนักเบาแทนที่จะเป็นตัวสร้างพาดหัว
การใช้งานจริงในโลกแห่งความเป็นจริง
การสร้างใบหน้าที่สมจริงเหมือนภาพถ่ายของผู้ที่ไม่มีอยู่จริง ดังที่ ThisPersonDoesNotExist.com
การเพิ่มขนาดและความคมชัดของภาพความละเอียดต่ำและวิดีโอเก่า (ความละเอียดสูงสุด)
การสร้างข้อมูลการฝึกอบรมสังเคราะห์สำหรับสาขาที่ข้อมูลจริงหายากหรือเป็นส่วนตัว
การถ่ายโอนสไตล์และการแก้ไขภาพ เช่น เปลี่ยนภาพร่างให้เป็นภาพที่สมจริงหรือทำให้ใบหน้าดูแก่ขึ้น
ความเสี่ยงและรั้ว
แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ
เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน
การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง
แผนงานการดำเนินงาน
เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ
เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ
ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม
เอกสารที่กลุ่ม Generative Adversarial Networks ให้ความช่วยเหลือ และวิธีการที่ง่ายกว่าจะดีกว่า
สำรวจต่อไป
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
คำแนะนำต่อไป
กราฟโครงข่ายประสาทเทียม
คำถามที่พบบ่อย
What is Generative Adversarial Networks?
Generative Adversarial Networks (GAN) สร้างข้อมูลใหม่ที่สมจริงโดยการนำโครงข่ายประสาทเทียมสองเครือข่ายมาแข่งขันกันในการแข่งขัน พวกเขาสร้างคลื่นลูกแรกของใบหน้าที่สร้างโดย AI ที่น่าเชื่อ และยังคงเป็นแนวคิดหลักใน generative AI
เครือข่ายที่แข่งขันกันสองเครือข่ายใน GAN คืออะไร
GAN จับคู่เครื่องกำเนิดซึ่งสร้างตัวอย่างปลอมกับเครื่องแยกแยะซึ่งพยายามบอกข้อมูลจริงจากของปลอมของเครื่องกำเนิด
เครื่องกำเนิดไฟฟ้าเริ่มต้นจากอะไรเมื่อสร้างตัวอย่างใหม่?
เครื่องกำเนิดไฟฟ้าจะแปลงเวกเตอร์ของสัญญาณรบกวนแบบสุ่มให้เป็นตัวอย่างสังเคราะห์ โดยเรียนรู้ที่จะแปลงสัญญาณรบกวนนั้นให้กลายเป็นเอาต์พุตที่สมจริง
เครื่องกำเนิดไฟฟ้ามีการปรับปรุงอย่างไรในระหว่างการฝึกอบรม?
ตัวสร้างไม่เคยเห็นข้อมูลจริงโดยตรง มันปรับปรุงโดยใช้ข้อเสนอแนะ (การไล่ระดับสี) ที่ผู้แยกแยะให้ไว้เกี่ยวกับลักษณะของผลลัพธ์ที่ปลอมแปลง
'การยุบโหมด' ใน GAN คืออะไร
การล่มสลายของโหมดเกิดขึ้นเมื่อตัวสร้างพบเอาต์พุตสองสามตัวที่หลอกผู้เลือกปฏิบัติและผลิตเอาต์พุตเหล่านั้นต่อไป สูญเสียความหลากหลาย
ใครเป็นผู้แนะนำ GAN และในปีใด
Ian Goodfellow และเพื่อนร่วมงานแนะนำ GANs ในปี 2014 โดยเปิดตัวคลื่นแห่งการวิจัยเกี่ยวกับโมเดลกำเนิดของฝ่ายตรงข้าม