คู่มือพื้นฐาน

เครือข่ายปฏิปักษ์ทั่วไป

Generative Adversarial Networks (GAN) สร้างข้อมูลใหม่ที่สมจริงโดยการนำโครงข่ายประสาทเทียมสองเครือข่ายมาแข่งขันกันในการแข่งขัน

ภาพรวม

Generative Adversarial Networks อยู่ในชุดเครื่องมือ AI หลัก เมื่อคุณเข้าใจ หัวข้อ AI อื่นๆ จะประเมินและเปรียบเทียบได้ง่ายขึ้น

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

การเรียนรู้เครือข่ายปฏิปักษ์ทั่วไป

Generative Adversarial Networks (GAN) สร้างข้อมูลใหม่ที่สมจริงโดยการนำโครงข่ายประสาทเทียมสองเครือข่ายมาแข่งขันกันในการแข่งขัน พวกเขาสร้างคลื่นลูกแรกของใบหน้าที่สร้างโดย AI ที่น่าเชื่อ และยังคงเป็นแนวคิดหลักใน generative AI Generative Adversarial Networks อยู่ในชุดเครื่องมือ AI หลัก เมื่อคุณเข้าใจ หัวข้อ AI อื่นๆ จะประเมินและเปรียบเทียบได้ง่ายขึ้น เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Generative Adversarial Networks เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ

ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Generative Adversarial Networks จะสร้างโมเดลเชิงแนวคิดที่แข็งแกร่งก่อน จากนั้นจึงจับคู่โมเดลเหล่านั้นกับข้อจำกัดในการผลิตจริง โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน

ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้ ในเวลาเดียวกัน ทีมต่างๆ อาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง

ผลกระทบเชิงกลยุทธ์

ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้

ช่วยให้คุณแยกคำกล่าวอ้างทางเทคนิคที่ชัดเจนออกจากภาษาทางการตลาดได้ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา

คุณสามารถถามคำถามการใช้งานที่ดีขึ้นก่อนที่จะใช้เงินหรือเวลา ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น

ทีมที่มีความเข้าใจร่วมกันจะตัดสินใจเกี่ยวกับผลิตภัณฑ์ นโยบาย และการเรียนรู้ได้ดีขึ้น ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ

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

รูปแบบการดำเนินงาน

เครือข่ายปฏิปักษ์ทั่วไปในทางปฏิบัติ

การสร้างใบหน้าที่สมจริงเหมือนภาพถ่ายของบุคคลที่ไม่มีอยู่จริง เช่นเดียวกับในทีม ThisPersonDoesNotExist.com มักจะได้รับผลลัพธ์ที่ดีกว่า เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

เครือข่ายปฏิปักษ์ทั่วไปในทางปฏิบัติ

การเพิ่มขนาดและความคมชัดของภาพความละเอียดต่ำและวิดีโอเก่า (ความละเอียดสูงพิเศษ) ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้น เมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

เครือข่ายปฏิปักษ์ทั่วไปในทางปฏิบัติ

การสร้างข้อมูลการฝึกอบรมสังเคราะห์สำหรับสาขาที่ข้อมูลจริงมีน้อยหรือเป็นส่วนตัว ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

เครือข่ายปฏิปักษ์ทั่วไปในทางปฏิบัติ

การถ่ายโอนสไตล์และการแก้ไขรูปภาพ เช่น การเปลี่ยนภาพร่างให้เป็นภาพที่สมจริงหรือใบหน้าที่แก่ชรา ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป

ความเสี่ยงและรั้ว

แต่ละทีมอาจใช้คำเดียวกันต่างกัน ดังนั้นควรกำหนดขอบเขตตั้งแต่เนิ่นๆ

เกณฑ์มาตรฐานอาจดูแข็งแกร่งในขณะที่ประสิทธิภาพในโลกแห่งความเป็นจริงไม่เท่ากัน

การเพิกเฉยต่อคุณภาพข้อมูลและแผนการประเมินมักสร้างผลลัพธ์ที่เปราะบาง

แผนงานการดำเนินงาน

เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ

เริ่มต้นด้วยคำจำกัดความภาษาธรรมดาของผลลัพธ์ที่คุณต้องการ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ

เลือกเมตริกวัดความสำเร็จหนึ่งรายการและเงื่อนไขความล้มเหลวหนึ่งรายการก่อนการทดสอบ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม

ดำเนินการนำร่องขนาดเล็กด้วยข้อมูลตัวแทน ไม่ใช่ชุดสาธิตที่สวยงาม ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

เอกสารที่กลุ่ม Generative Adversarial Networks ให้ความช่วยเหลือ และวิธีการที่ง่ายกว่าจะดีกว่า

เอกสารที่กลุ่ม Generative Adversarial Networks ให้ความช่วยเหลือ และวิธีการที่ง่ายกว่าจะดีกว่า ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น

สำรวจต่อไป

เอไอคืออะไร?

รับแนวคิดที่สำคัญก่อนดำน้ำลึก

อ่านคู่มือ

AI เรียนรู้อย่างไร

เข้าใจกระบวนการฝึกอบรมเบื้องหลังระบบที่ทันสมัย

อ่านคู่มือ