Üretken Rekabet Ağları
Üretken Çekişmeli Ağlar (GAN'lar), iki sinir ağını bir yarışmada birbirine düşürerek gerçekçi yeni veriler oluşturur.
Genel Bakış
They produced the first wave of convincing AI-generated faces and remain a landmark idea in generative AI.
Derin Dalış
Ian Goodfellow tarafından 2014 yılında tanıtılan GAN, iki ağı aynı anda eğitir. Jeneratör, rastgele gürültüden başlayarak görüntüler gibi sahte örnekler icat eder. Ayırıcı, her örneğin gerçek (eğitim verilerinden) veya sahte (jeneratörden) olup olmadığına karar verir. Rekabet ederler: Jeneratör ayrımcıyı kandırmaya çalışırken, ayrımcı da kandırılmamaya çalışır. Her ikisi de geliştikçe sahteler şaşırtıcı derecede gerçekçi hale gelir. GAN'lar "This Person Does Not Exist" filmindeki fotogerçekçi yüzleri güçlendirdi ve StyleGAN yüksek çözünürlüklü portreler için standardı belirledi. Jeneratörün yalnızca birkaç tekrarlayan çıktı ürettiği, eğitilmesinin zor olduğu, kararsızlığa ve "mod çökmesine" yatkın oldukları biliniyor. Difüzyon modelleri o zamandan bu yana pek çok görüntü görevinde onları geride bıraktı ancak GAN'lar üretimde hızlı ve etkili olmaya devam ediyor.
Teknik Bilgi
Antrenman, birbirine zıt hedeflere sahip iki ağ arasındaki minimax oyunudur. Ayırıcı, gerçek veriler için yüksek puanlar ve oluşturulan veriler için düşük puanlar verecek şekilde eğitilmiştir; jeneratör, ayırıcının sahteleri için yüksek puanlar çıkarmasını sağlayacak şekilde eğitilmiştir. En önemlisi, jeneratör hiçbir zaman gerçek görüntüleri doğrudan görmez, yalnızca ayırıcıdan geri gönderilen gradyan sinyalinden öğrenir. Teorik dengede, jeneratörün çıkış dağılımı gerçek verilerle eşleşir ve ayırıcı, tahmin etmekten daha iyisini yapamaz.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Üretken Rekabetçi Ağların Geleceği
Difüzyon modelleri artık yüksek kaliteli görüntü oluşturmaya hakim olduğundan, saf GAN'lar birçok yaratıcı görevde tacını kaybetmiş durumda. Avantajları hızdır: Bir GAN, tek bir ileri geçişte görüntü oluştururken, yayılma birçok adım gerektirir; dolayısıyla GAN'lar gerçek zamanlı kullanımlarda, süper çözünürlükte ve cihaz üzerinde oluşturmada varlığını sürdürür. Hibrit sistemler, diğer modellerden elde edilen çıktıları keskinleştirmek için giderek daha fazla GAN tarzı rakip kayıpları kullanıyor. GAN'ların manşet oluşturucu yerine hızlı, hafif bir bileşen olarak varlığını sürdürmesini bekleyin.
Gerçek Dünya Uygulaması
ThisPersonDoesNotExist.com'da olduğu gibi, var olmayan insanların fotogerçekçi yüzlerini oluşturmak
Düşük çözünürlüklü görüntülerin ve eski videoların ölçeklendirilmesi ve keskinleştirilmesi (süper çözünürlük)
Gerçek verilerin az olduğu veya özel olduğu alanlar için sentetik eğitim verileri oluşturma
Eskizleri gerçekçi görüntülere dönüştürmek veya bir yüzü yaşlandırmak gibi stil aktarımı ve fotoğraf düzenleme
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Üretken Rekabetçi Ağların nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
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
Next guide
Grafik Sinir Ağları
Sık sorulan sorular
What is Generative Adversarial Networks?
Üretken Çekişmeli Ağlar (GAN'lar), iki sinir ağını bir yarışmada birbirine düşürerek gerçekçi yeni veriler oluşturur. Yapay zeka tarafından oluşturulan ikna edici yüzlerin ilk dalgasını ürettiler ve üretken yapay zekada dönüm noktası niteliğinde bir fikir olmaya devam ediyorlar.
Bir GAN'da birbiriyle yarışan iki ağ nelerdir?
Bir GAN, sahte örnekler oluşturan bir jeneratörü, gerçek verileri jeneratörün sahtelerinden ayırmaya çalışan bir ayırıcıyla eşleştirir.
Yeni bir örnek oluştururken jeneratör nereden başlar?
Jeneratör, rastgele gürültü vektörünü sentetik bir örneğe dönüştürür ve bu gürültüyü gerçekçi çıktıya dönüştürmeyi öğrenir.
Jeneratör eğitim sırasında nasıl gelişir?
Jeneratör hiçbir zaman gerçek verileri doğrudan görmez; Ayırıcının, çıktılarının ne kadar sahte göründüğüne ilişkin sağladığı geri bildirimleri (gradyanları) kullanarak geliştirir.
GAN'da 'mod çöküşü' nedir?
Mod çöküşü, jeneratör, ayırıcıyı kandıran birkaç çıkış bulduğunda ve bunları üretmeye devam ederek çeşitliliği kaybettiğinde meydana gelir.
GAN'ları kim ve hangi yılda tanıttı?
Ian Goodfellow ve meslektaşları 2014 yılında GAN'ları tanıtarak rakip üretken modellere yönelik bir araştırma dalgası başlattılar.