شبكات الخصومة التوليدية أو شبكات GAN هي نهج نمذجة توليدي باستخدام تعلم عميق لتدريب النموذج بطريقة ذكية لتوليد البيانات باستخدام نهج النموذج الفرعي. في هذه المقالة ، سنحاول فهم 'ما هي شبكات GAN' بالتفصيل. يتم تناول الموضوعات التالية في هذه المقالة:
- ما هي النماذج التوليدية؟
- ما هي شبكة الخصومة التوليدية؟
- تحديات شبكة الخصومة التوليدية؟
- تطبيقات شبكات الخصومة التوليدية
ما هي النماذج التوليدية؟
النماذج التوليدية ليست سوى تلك النماذج التي تستخدم امتداد مقاربة. في النموذج التوليدي ، توجد عينات في البيانات ، أي متغيرات الإدخال X ، ولكنها تفتقر إلى متغير الإخراج Y. نحن نستخدم فقط متغيرات الإدخال لتدريب النموذج التوليدي ويتعرف على الأنماط من متغيرات الإدخال لتوليد مخرجات غير معروفة وبناءً على بيانات التدريب فقط.
في ، نحن أكثر اتساقًا مع إنشاء نماذج تنبؤية من متغيرات الإدخال ، يُعرف هذا النوع من النمذجة بالنمذجة التمييزية. في مشكلة التصنيف ، يجب على النموذج التمييز فيما يتعلق بالفئة التي ينتمي إليها المثال. من ناحية أخرى ، يتم استخدام النماذج غير الخاضعة للإشراف لإنشاء أو إنشاء أمثلة جديدة في توزيع المدخلات.
اتساع أول خوارزمية البحث الكود
لتعريف النماذج التوليدية بمصطلحات الشخص العادي ، يمكننا القول ، النماذج التوليدية ، قادرة على إنشاء أمثلة جديدة من العينة لا تشبه الأمثلة الأخرى فحسب ، بل لا يمكن تمييزها أيضًا.
المثال الأكثر شيوعًا للنموذج التوليدي هو ملف والذي يستخدم غالبًا كنموذج تمييزي. تشمل الأمثلة الأخرى للنماذج التوليدية نموذج خليط غاوسي ومثال حديث نوعًا ما هو شبكات الخصومة العامة. دعونا نحاول فهم ما هي شبكات GAN؟
ما هي شبكة الخصومة التوليدية؟
شبكات الخصومة التوليدية أو شبكات GAN هي نموذج توليدي قائم على التعلم العميق يُستخدم للتعلم غير الخاضع للإشراف. إنه في الأساس نظام يتنافس فيه اثنان الشبكات العصبية التنافس مع بعضها البعض لإنشاء أو إنشاء اختلافات في البيانات.
تم وصفه لأول مرة في ورقة في عام 2014 من قبل Ian Goodfellow واقترح أليك رادفورد نظرية نموذجية موحدة ومستقرة في عام 2016 والتي تُعرف باسم DCGAN (شبكات الخصومة العامة التلافيفية العميقة). تستخدم معظم شبكات GAN الموجودة حاليًا بنية DCGAN.
تتكون بنية GANs من نموذجين فرعيين معروفين باسم نموذج المولد و ال نموذج التمييز. دعونا نحاول فهم كيفية عمل شبكات GAN بالفعل.
كيف يعمل؟
لفهم كيفية عمل شبكات GAN ، دعنا نقسمها.
- توليدي - هذا يعني أن النموذج يتبع نهج ونموذج توليدي.
- عدائي - يتم تدريب النموذج في بيئة عدائية
- شبكة الاتصال - لتدريب النموذج ، يتم استخدام الشبكات العصبية كخوارزميات ذكاء اصطناعي.
في شبكات GAN ، توجد شبكة مولدات تأخذ عينة وتقوم بإنشاء عينة من البيانات ، وبعد ذلك ، تقرر شبكة Discriminator ما إذا كانت البيانات قد تم إنشاؤها أو أخذها من العينة الحقيقية باستخدام ثنائي مشكلة بمساعدة الدالة السينية التي تعطي الإخراج في النطاق من 0 إلى 1.
يحلل النموذج التوليدي توزيع البيانات بطريقة تزيد من احتمالية ارتكاب المميّز لخطأ بعد مرحلة التدريب. ومن ناحية أخرى ، يعتمد التمييز على نموذج سيقدر احتمالية أن العينة تأتي من البيانات الحقيقية وليس من المولد.
يمكن إضفاء الطابع الرسمي على العملية برمتها في صيغة رياضية معطاة أدناه.
في الصيغة أعلاه:
G = المولد
د = التمييز
Pdata (x) = توزيع البيانات الحقيقية
Pdata (z) = موزع المولد
س = عينة من بيانات حقيقية
ض = عينة من المولد
D (x) = شبكة مميزة
G (z) = شبكة المولد
يأتي الآن الجزء التدريبي لشبكة GAN ، والتي يمكن تقسيمها إلى جزأين يتم إجراؤهما بالتتابع.
كيف تدرب GAN؟
الجزء 1:
قم بتدريب أداة التمييز وقم بتجميد المولد ، مما يعني أن مجموعة التدريب الخاصة بالمولد قد تم تشغيلها على أنها False وستقوم الشبكة فقط بالمرور الأمامي ولن يتم تطبيق الانتشار الخلفي.
يتم تدريب أداة التمييز بشكل أساسي على البيانات الحقيقية ويتحقق مما إذا كان بإمكانها التنبؤ بها بشكل صحيح ، ونفس الشيء مع البيانات المزيفة لتحديدها على أنها مزيفة.
كيفية التصريح عن متغير مثيل في جافا
الجزء 2:
تدريب المولد وتجميد أداة التمييز. في هذه المرحلة ، نحصل على النتائج من المرحلة الأولى ويمكننا استخدامها لتحسين الحالة السابقة لمحاولة خداع أداة التمييز بشكل أفضل.
خطوات للتدريب
- عرف المشكلة - تحديد المشكلة وجمع البيانات.
- اختر هندسة GAN - بناءً على مشكلتك ، اختر الشكل الذي يجب أن تبدو عليه GAN.
- تدريب التمييز على البيانات الحقيقية - تدريب أداة التمييز بالبيانات الحقيقية للتنبؤ بها على أنها حقيقية لعدد n من المرات.
- توليد مدخلات وهمية للمولدات - توليد عينات وهمية من المولد
- تدريب التمييز على البيانات المزيفة - تدريب المميّز على التنبؤ بالبيانات المتولدة على أنها مزيفة.
- مولد القطار مع إخراج المميز - بعد الحصول على تنبؤات أداة التمييز ، قم بتدريب المولد على خداع أداة التمييز
تحديات شبكة الخصومة التوليدية
يعتبر مفهوم شبكات GAN رائعًا إلى حد ما ، ولكن هناك الكثير من النكسات التي يمكن أن تسبب الكثير من العوائق في طريقها. بعض التحديات الرئيسية التي تواجهها شبكات GAN هي:
- المزيد مطلوب بين أداة التمييز والمولد وإلا ستنهار الشبكة بالكامل. في حالة ما إذا كانت أداة التمييز قوية جدًا ، سيفشل المولد في التدريب تمامًا. وإذا كانت الشبكة متساهلة للغاية ، فسيتم إنشاء أي صورة مما يجعل الشبكة عديمة الفائدة.
- فشلت شبكات GAN فشلاً ذريعًا في تحديد وضع الأشياء من حيث عدد مرات ظهور الكائن في ذلك الموقع.
- يُسبب المنظور ثلاثي الأبعاد مشاكل في شبكات GAN لأنه غير قادر على فهمها إنطباع ، ستعطي غالبًا صورة مسطحة لكائن ثلاثي الأبعاد.
- تواجه GANs مشكلة في فهم كائنات عالمية . لا يمكن أن تفرق أو تفهم بنية شاملة.
- تعد الأنواع الأحدث من شبكات GAN أكثر تقدمًا ومن المتوقع أن تتغلب على أوجه القصور هذه تمامًا.
تطبيقات شبكة الخصومة التوليدية
فيما يلي بعض تطبيقات شبكات GAN.
توقع الإطار التالي في مقطع فيديو
أصبح التنبؤ بالأحداث المستقبلية في إطار الفيديو ممكنًا بمساعدة شبكات GAN. يمكن لـ DVD-GAN أو Dual Video Discriminator GAN إنشاء مقاطع فيديو 256 × 256 ذات دقة ملحوظة تصل إلى 48 إطارًا في الطول. يمكن استخدام هذا لأغراض مختلفة بما في ذلك المراقبة التي يمكننا من خلالها تحديد الأنشطة في إطار يتشوه بسبب عوامل أخرى مثل المطر والغبار والدخان وما إلى ذلك.
نص إلى صورة
يقوم GAN (obj-GAN) المنبه للكائن (obj-GAN) بتنفيذ تركيب النص إلى الصورة في خطوتين. يعد إنشاء التخطيط الدلالي الخطوة الأولى ، ثم يعد إنشاء الصورة عن طريق توليف الصورة باستخدام مولد صورة غير تلافيف الخطوة الأخيرة.
يمكن استخدام هذا بشكل مكثف لإنشاء الصور من خلال فهم التسميات التوضيحية والتخطيطات وتنقيح التفاصيل عن طريق تجميع الكلمات. هناك دراسة أخرى حول StoryGANs يمكنها تجميع القصص المصورة بأكملها من مجرد فقرات.
تحسين دقة الصورة
شبكة الخصومة التوليدية فائقة الدقة أو SRGAN عبارة عن شبكة GAN يمكنها إنشاء صور فائقة الدقة من صور منخفضة الدقة بتفاصيل دقيقة وجودة أفضل.
شرح هندسة mvc في جافا مع المثال
يمكن أن تكون التطبيقات هائلة ، فتخيل صورة ذات جودة أعلى بتفاصيل دقيقة تم إنشاؤها من صورة منخفضة الدقة. يمكن استخدام مقدار المساعدة التي ستقدمها لتحديد التفاصيل في الصور منخفضة الدقة لأغراض أوسع بما في ذلك المراقبة والتوثيق والأمن وأنماط الكشف وما إلى ذلك.
ترجمة الصورة إلى الصورة
Pix2Pix GAN هو نموذج مصمم للأغراض العامة لترجمة الصور.
توليد الصور التفاعلية
يمكن استخدام شبكات GAN لإنشاء صور تفاعلية أيضًا ، وقد طور مختبر علوم الكمبيوتر والذكاء الاصطناعي (CSAIL) شبكة GAN يمكنها إنشاء نماذج ثلاثية الأبعاد بإضاءة وانعكاسات واقعية تم تمكينها من خلال تحرير الشكل والملمس.
في الآونة الأخيرة ، توصل الباحثون إلى نموذج يمكنه تصنيع وجه مُعاد تمثيله متحركًا بواسطة حركة الشخص مع الحفاظ على مظهر الوجه في نفس الوقت.
يقودنا هذا إلى نهاية هذه المقالة حيث تعلمنا 'ما هي شبكات GAN'. آمل أن تكون واضحًا بشأن كل ما تمت مشاركته معك في هذا البرنامج التعليمي.
إذا وجدت هذه المقالة حول 'ما هي شبكات GAN' ذات الصلة ، فراجع ملف شركة تعليمية موثوقة عبر الإنترنت مع شبكة تضم أكثر من 250000 متعلم راضٍ منتشرة في جميع أنحاء العالم.
نحن هنا لمساعدتك في كل خطوة في رحلتك والتوصل إلى منهج مصمم للطلاب والمهنيين الذين يريدون أن يكونوا . تم تصميم الدورة التدريبية لمنحك بداية قوية في برمجة Python وتدريبك على مفاهيم Python الأساسية والمتقدمة جنبًا إلى جنب مع العديد مثل
إذا صادفت أي أسئلة ، فلا تتردد في طرح جميع أسئلتك في قسم التعليقات في 'ما هي شبكات GAN' وسيسعد فريقنا بالإجابة عليها.