Với mục đích chia sẻ để học hỏi ( thực ra là viết lại để học hỏi ). Chuỗi bài viết này mình sẽ viết về và dịch những bài viết về model GAN ( mong cách bạn không xem là một tài liệu mẫu mà là một bài đọc để tham khảo ), nếu có đóng góp và góp ý xin hãy bình luận bên dưới. Mình xin cảm ơn!

Định nghĩ GAN model

GAN viết tắt của Genneative Adversarial Networks là một kiến trúc học sâu cho quá trình đào tạo models sinh, model là một hình.Nói tóm lại Gan là mô hình có thể khả năng tạo ra những mẫu mới hợp lí, đáng tin cậy có thể có từ mẫu có sẵn.

Cấu trúc GAN model

GANs gồm có 2 phần là bộ sinh(generator) và bộ phân biệt(discriminator). Bộ sinh có khả năng cho sinh ra những mẫu mới từ miền xác định, Bộ phân biệt để phân biệt đâu là thật và đâu và giả. Điều nhấn mạnh ở đây là hiệu quả của bộ sinh được sử dụng để cập nhật các tham số của chính bộ phân biệt và bộ sinh. Điều này có nghĩa là sự sinh sẽ không bao giờ nhìn thấy những mẫu từ miền xác định và nó thích nghi sự trên hiệu quả làm việc tốt của bộ phân biệt. Đây chính là sự phức tạp của cả 2 bộ để hiểu và training.

Một cách tiếp cận để hiểu hơn một cách tự nhiên về models GAN và hiểu nó được đào tạo như thế nào là phát triển model từ những thứ bước đơn giản nhất.

Một việc đơn giản cái mà cung cấp nội dung tốt cho việc phát triển model GAN là từ dữ liệu một chiều. Điều này là bởi vì cả mẫu thực và mẫu sinh ra có được vẽ và nhìn thấy rõ lấy ý tưởng về cái nào đã được học. Một hàm đơn giản mà không cần phức tạp cho các model mạng neural. Điều này nghĩa là cụ thể bộ sinh và bộ phân biệt được sử dụng trong kiến trúc có thể dễ dàng để hiểu.

Trong hướng dẫn này, chúng ta sẽ chọn một hàm một chiều đơn giản và sử dụng nó giống như cơ bản cho phát triển và đánh giá GAN từ việc sử dụng các thư viện Keras

Sau khi hoàn thành hướng dẫn này, bạn sẽ biết:

  • Lợi thế của việc phát triển GAN từ ban đầu cho hàm một chiều
  • Cách để phát triển bộ sinh và bộ phân biệt một cách riêng biệt, giống như là ghép model cho việc đào tạo sinh thông qua dự đoán của model phân biệt.
  • Cách để đánh giá mẫu được sinh ra trong nội dung của ví dụ thực từ vấn đề xác định.

Tổng quan:

Hướng dẫn này được chia thành 6 phần như sau:Định nghĩa bộ phân biệt

Định nghĩa bộ sinh

Đào tạo bộ sinh

Đánh giá hiệu quả của GAN

Hoàn thành ví dụ của đào tạo GAN

SELECT A ONE-DIMENSIONAL FUNCTION

Bước đầu tiên là chọn hàm một chiều để sử dụng model

Một cấu trúc của hàm có dạng: y = f(x)

Nơi mà x là giá trị đầu vào và y là giá trị đầu ra của hàm. Chi tiết hơn, chúng ta muốn hàm cái mà có dễ dàng hiểu và vẽ. Điều này sẽ giúp cà đặt một mong đợi của cái mà model nên được sinh và trong sử dụng xem xét của những mẫu sinh để lấy ý tưởng để nâng cao chất lượng của nó. Chúng ta sử dụng một hàm đơn giản của x^2; điều này là, hàm sẽ trả về bình phương của đầu vào. C

<continued>


LEAVE A REPLY

Please enter your comment!
Please enter your name here