Генеративні змагальні мережі
Генеративні суперницькі мережі (GAN) створюють реалістичні нові дані, протиставляючи дві нейронні мережі одна одній у змаганні.
Огляд
Генеративні суперницькі мережі (GAN) створюють реалістичні нові дані, протиставляючи дві нейронні мережі одна одній у змаганні. Вони створили першу хвилю переконливих облич, створених штучним інтелектом, і залишаються знаковою ідеєю генеративного штучного інтелекту.
Generative Adversarial Networks є основним набором інструментів ШІ. Коли ви це розумієте, інші теми ШІ стає легше оцінювати та порівнювати.
Глибоке занурення
GAN, представлений Яном Гудфеллоу в 2014 році, навчає дві мережі одночасно. Генератор винаходить підроблені зразки, наприклад зображення, починаючи з випадкового шуму. Дискримінатор визначає, чи є кожен зразок справжнім (з навчальних даних) чи підробкою (з генератора). Вони змагаються: генератор намагається обдурити дискримінатор, а дискримінатор намагається не бути обдуреним. У міру вдосконалення обох підробок стає вражаюче реалістичним. GAN створили фотореалістичні обличчя на «Цієї людини не існує», а StyleGAN встановив стандарт для портретів із високою роздільною здатністю. Відомо, що їх складно навчати, вони схильні до нестабільності та «колапсу режиму», коли генератор видає лише кілька повторюваних виходів. З тих пір дифузійні моделі випередили їх для багатьох завдань із зображеннями, але GAN залишаються швидкими у створенні та впливовими.
Технічне розуміння
Тренування — мінімаксна гра між двома мережами з протилежними цілями. Дискримінатор навчений виводити високі бали для реальних даних і низькі бали для згенерованих даних; генератор навчений змушувати дискримінатор виводити високі бали для своїх підробок. Важливо те, що генератор ніколи не бачить реальні зображення безпосередньо, він вивчає лише градієнтний сигнал, що проходить назад через дискримінатор. У теоретичній рівновазі вихідний розподіл генератора збігається з реальними даними, і дискримінатор може зробити не краще, ніж вгадування.
Освоєння генеративних змагальних мереж
Щоб побудувати глибоке розуміння, розглядайте Generative Adversarial Networks як операційну модель, а не як окрему функцію. Визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще потребує експертної оцінки.
На практиці сильні команди, які використовують Generative Adversarial Networks, спочатку створюють сильні концептуальні моделі, а потім відображають ці моделі на реальних виробничих обмеженнях. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови. У той же час різні команди можуть використовувати один і той самий термін по-різному, тому визначте обсяг заздалегідь. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови.
Це допоможе вам відокремити чіткі технічні заяви від маркетингової мови. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію.
Перш ніж витрачати гроші чи час, ви можете задати питання про кращу реалізацію. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання.
Команди зі спільним розумінням приймають кращі рішення щодо продуктів, політики та навчання. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Реалізація в реальному світі
Створення фотореалістичних облич неіснуючих людей, як на ThisPersonDoesNotExist.com
Масштабування та різкість зображень із низькою роздільною здатністю та старого відео (суперроздільна здатність)
Створення синтетичних навчальних даних для сфер, де реальні дані є дефіцитними або закритими
Передача стилю та редагування фотографій, як-от перетворення ескізів на реалістичні зображення або старіння обличчя
Шаблони реалізації
Генеративні змагальні мережі на практиці
Створення фотореалістичних облич неіснуючих людей, як на ThisPersonDoesNotExist.com.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Генеративні змагальні мережі на практиці
Масштабування та різкість зображень із низькою роздільною здатністю та старого відео (суперроздільна здатність).
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Генеративні змагальні мережі на практиці
Створення синтетичних навчальних даних для сфер, де реальні дані є дефіцитними або закритими.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Генеративні змагальні мережі на практиці
Передача стилю та редагування фотографій, як-от перетворення ескізів на реалістичні зображення або старіння обличчя.
Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях людської ескалації для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Ризики та огорожі
Різні команди можуть використовувати той самий термін по-різному, тому визначте обсяг завчасно.
Порівняльні показники можуть виглядати сильними, тоді як продуктивність у реальному світі нерівномірна.
Ігнорування якості даних і планів оцінки часто призводить до нестабільних результатів.
Дорожня карта впровадження
Почніть із простого визначення необхідного результату.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Перед тестуванням виберіть одну метрику успіху та одну умову невдачі.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Запустіть невеликий пілот із репрезентативними даними, а не відшліфованим демонстраційним набором.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Задокументуйте, де Generative Adversarial Networks допомагає, а де простіші методи кращі.
Розглядайте це як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Продовжуйте досліджувати
Check your understanding
Test yourself: take the Generative Adversarial Networks quiz