En un post anterior, introduje el modelo GAN aplicado a profundos enfrentamientos, inteligencia artificial que pesca gente. El principio de trabajo del modelo GAN sugiere que usted puede crear cualquier cosa con el modelo GAN. Sin embargo, el modelo GAN todavía tiene problemas para resolver. Echemos un vistazo a lo que el modelo GAN tiene en la tienda.
Si hace clic en la imagen, puede ver el post GAN.
[El problema del generador]
Como se describe anteriormente, el modelo GAN se divide en un generador y un discriminador.
Los generadores aprenden a través de los juegos de Minmax. Minmax Game es un juego que minimiza las pérdidas en la situación de las pérdidas máximas. Aquí, la situación máxima de pérdida significa que el discriminador ha aprendido a identificar perfectamente los datos reales y los datos falsos.
¡Aquí! Entonces se produce una contradicción aquí. No puedes tener un perfecto sentido de quién eres antes de terminar de aprender. En otras palabras, al aprender GANs, usted necesita la suposición de que Minmax Game no está establecido en primer lugar.
No hay problema si el discriminador converge de forma fiable a la solución óptima, pero si no, el constructor tampoco converge a la solución óptima.
En otras palabras, para que el constructor cree una imagen, el discriminador debe tener una buena habilidad, pero cuando la capacidad del discriminador disminuye, la capacidad del constructor también disminuye.
[Oscilación del modelo]
En el proceso de aprendizaje del modelo GAN, el discriminador y el constructor realizan alternativamente el aprendizaje hostil para aprender uno del otro, en cuyo caso puede surgir el problema.
En el proceso de repetir el aprendizaje, surge el problema cuando el aprendizaje del alumno y el aprendizaje del alumno pueden cancelarse. En otras palabras, si el discriminador y el constructor se engañan y realizan el aprendizaje que está en su lugar, ambos tendrán problemas que no pueden converger al año global. Esto se llama oscilación.
[Mode Collapsing].
El tipo más común de problema es el colapso del modo. Si la distribución de los datos de aprendizaje se distribuye en muchos lugares, esto es algo bueno. De hecho, dado que los datos de aprendizaje son multimodales, este problema ocurre cuando se aprende un modelo GAN, donde multimodal significa que hay varios modos.
Por ejemplo, supongamos que usted tiene una imagen escrita a mano de 0 en papel, una imagen escrita a mano de 1 sobre papel, una imagen escrita a mano del 2 sobre papel, y una imagen escrita a mano de 3 sobre papel. Si utilizas estas imágenes para aprender el modelo GAN, puedes ver que hay cuatro modos.
Si estas imágenes se utilizan para aprender el modelo GAN, el constructor puede realizar el aprendizaje sesgado a uno de los cuatro modos de la entrada dada. Esto se llama modo de colapsar.
Al aprender realmente un GAN usando un conjunto de datos en cuatro modos, se puede ver que sólo el mismo número (por ejemplo. Se siguen generando 2 imágenes escritas a mano sobre papel. En el caso del constructor, cualquier número de imágenes utilizadas sólo serán engañadas por el discriminador.
Esto sucede mal cuando el discriminador es incompleto, cuando el modelo vibra, y cuando ambos problemas ocurren simultáneamente. Como resultado, el constructor no podrá aprender la distribución de todos los datos de aprendizaje y sólo realizará algunos de los aprendizajes.
[Decisiones]
Asegurarse de que los constructores y discriminadores estén debidamente equilibrados y convergen a una solución global estable es un modelo GAN para resolver. Se proponen muchos modelos para resolver este problema.
Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso.