SıradakiSonraki rehber
GAN'ların Aşamalı Büyümesi
Görsel Yapay Zeka
Görsel Yapay Zeka KILAVUZU
Koşullu GAN'lar
Koşullu GAN'lar (cGAN'ler), sınıf etiketi veya metin gibi ekstra bilgileri hem oluşturucuya hem de ayırıcıya besleyerek sıradan GAN'ları genişletir.
Bu kılavuzu dinleyinAI tarafından anlatılan · ~2 min
Bu sayfada2 dakika okuma
Genel Bakış
Bu, rastgele çıktılar almak yerine ağın ne ürettiğini kontrol etmenizi sağlar.
Derin Dalış
Standart bir GAN, rastgele gürültüyü bir görüntüye dönüştürür ancak sonuç üzerinde size söz hakkı vermez. Mirza ve Osindero tarafından 2014 yılında önerilen koşullu GAN'lar, üretimi bir y etiketi üzerinde koşullandırarak bunu düzeltir. Her iki ağ da y alır: jeneratör, eşleşen bir görüntü oluşturmak için gürültüyü etiketle birleştirir; ayırıcı ise görüntünün hem gerçekçi hem de etiketiyle tutarlı olup olmadığına karar verir. Rakam etiketleriyle MNIST'te eğitin ve özellikle '7' isteyebilirsiniz. Koşullandırma sinyali bir sıcak sınıf vektörü, bir yerleştirme, bir nitelik seti veya hatta başka bir görüntü olabilir. Bu yönlendirme oluşturma fikri, metinden görüntüye ve görüntüden görüntüye sistemlerini mümkün kılan temeldir.
Gerçek Dünya Uygulaması
Rastgele bir sayı yerine isteğe bağlı olarak belirli bir el yazısı rakamı veya nesne sınıfı oluşturma
Yüzleri yaş, saç modeli, gözlük veya ifade gibi seçilen niteliklerle sentezleme
Bir altyazının oluşturulan resmi koşullandırdığı erken metin-görüntü ardışık düzenlerini güçlendirmek
Eğitim setlerinde az temsil edilen kategorileri artırmak için sınıf dengeli sentetik veriler oluşturma
Koşullu GAN'ların Geleceği
Koşullu oluşturma artık varsayılan beklentidir: kullanıcılar ne elde edeceklerini belirtmek ister. Etiket koşullandırma fikri, Stabil Difüzyon gibi yayılma modellerinde çapraz dikkat yoluyla zengin metin koşullandırmaya ve kenarlar, derinlik veya poz kullanan ControlNet tarzı uzamsal koşullandırmaya genelleştirildi. Gelecekteki sistemler, metin, çizim, ses ve 3D kısıtlamalarının karıştırılmasıyla her zamankinden daha esnek ve çok modlu koşulları kabul edecek ve çıktıların talimatın her bölümüne aslına sadık kalma şeklini geliştirecek.
Uygulamaya koymak
Neden önemli?
- Hız ve ölçek. Visual AI, inceleme, algılama ve etiketleme görevlerini geniş ölçekte otomatikleştirebilir.
- Yapı seçimleri. Yaratıcı ekipler, daha az manuel revizyonla konseptleri daha hızlı prototipleyebilir.
- Ekip ve iş akışı. Operasyonlar, daha önce işlenmesi zor olan görüntü ve video sinyallerini kullanabilir.
Dikkat edin
- Kaynağın belirsiz olması durumunda görüntü hakları ve rıza yasal risk haline gelebilir.
- Model performansı aydınlatma, demografik özellikler ve ortamlara göre değişiklik gösterebilir.
- Güven eşikleri izlenmediği sürece yanlış pozitifler fark edilmeyebilir.
Sonraki adımlar
- Kesinlik, geri çağırma ve hata maliyetlerine ilişkin kabul kriterlerini tanımlayın.
- Gerçek üretim koşullarıyla eşleşen verilerle test edin.
- Düşük güvenirliğe sahip veya yüksek etkili tahminler için gerçek kişi tarafından yapılan incelemeyi ekleyin.
- Model kaymasını izleyin ve kamera veya veri kümesi değişikliklerinden sonra yeniden doğrulayın.
Keşfetmeye Devam Edin
Ücretsiz bülten
Günlük AI brifingini alın
Hafta içi her sabah sade İngilizce yazılmış, doğrulanmış üç yapay zeka hikayesi. Sonsuza kadar ücretsiz, reklam yok.
Hafta içi her gün bir e-posta. Tek tıklamayla aboneliğinizi iptal edin. Adresinizi asla satmayız veya paylaşmayız.
Kendinizi test edin
Take the Conditional GANs quiz
Her yanıtla ilgili anında geri bildirim ve bir kursu geçtiğinizde doğrulanabilir bir kimliğe sahip paylaşılabilir bir sertifika.
Ücretsiz AI eğitimini destekleyin. AI Understanding, bir 501(c)(3) kâr amacı gütmeyen kuruluştur; hiçbir zaman reklam yoktur, ödeme duvarı yoktur. Bağış yap
Sık sorulan sorular
Koşullu GAN nedir?
Koşullu GAN'lar (cGAN'ler), sınıf etiketi veya metin gibi ekstra bilgileri hem oluşturucuya hem de ayırıcıya besleyerek sıradan GAN'ları genişletir. Bu, rastgele çıktılar almak yerine ağın ne ürettiğini kontrol etmenizi sağlar.
Koşullu GAN ile standart GAN arasındaki temel fark nedir?
Koşullu GAN'lar hem oluşturucuya hem de ayırıcıya bir koşullandırma sinyali (etiket gibi) ekler, böylece ne üretileceğini belirleyebilirsiniz.
Etiketli rakamlarla eğitilmiş bir cGAN'da, düz bir GAN'ın yapamayacağı ne yapabilirsiniz?
Üretim etikete bağlı olduğundan, jeneratörden rastgele bir çıktı yerine belirli bir sınıfı isteyebilirsiniz.
cGAN ayırıcısı, bir görüntünün gerçek görünüp görünmediğinin ötesinde neyi kontrol etmelidir?
Ayırıcı, durumlarıyla eşleşmeyen gerçekçi görünümlü görüntüleri cezalandırarak oluşturucuyu etikete saygı göstermeye zorlar.
Jeneratöre koşullandırma sinyali sağlamanın yaygın yolu hangisidir?
Basit ve yaygın bir yaklaşım, etiketi (genellikle tek sıcak veya gömme) jeneratörün gürültü vektörüne birleştirir.
Koşullu GAN'lar daha sonraki hangi yeteneğin temelini attı?
Üretimi bir koşul aracılığıyla yönlendirmek, metinden görüntüye ve görüntüden görüntüye sistemlerin tam olarak güvendiği şeydir.
Öğrenmeye devam et
İlgili kılavuzlar
Bu konu için daha fazla rehber seçildi