Урок из полного доступа, первые уроки курса бесплатно Официальный курс Microsoft AI for Beginners на русском
Урок 11 · Текст · ~5 мин

Генеративно-состязательные сети

Урок 11 из 25 курса «Основы ИИ для начинающих»: официальный курс Microsoft AI for Beginners (Майкрософт) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Примечание AI University. Часть примеров в оригинале курса рассчитана на сервисы Azure. Те же модели можно обучать и запускать локально или в любом облаке с Python, PyTorch и TensorFlow.

В предыдущем разделе вы узнали о генеративных моделях: моделях, способных создавать новые изображения, похожие на те, что использовались в обучающем наборе данных. VAE был хорошим примером такой модели.

Однако, если вы попытаетесь сгенерировать что-то действительно значимое, например, картину в приемлемом разрешении, с помощью VAE, то увидите, что обучение сходится плохо. Для таких задач следует изучить другую архитектуру, специально предназначенную для генеративных моделей, генеративно-состязательные сети, или GAN.

Основная идея GAN заключается в использовании двух нейронных сетей, которые обучаются в противоборстве друг с другом:

Изображение: Дмитрий Сошников

✅ Небольшой словарь терминов:

  • Генератор: сеть, которая принимает случайный вектор и выдаёт изображение.
  • Дискриминатор: сеть, которая принимает изображение и должна определить, является ли оно реальным (из обучающего набора данных) или было сгенерировано генератором. По сути, это классификатор изображений.

Архитектура дискриминатора не отличается от обычной сети классификации изображений. В простейшем случае это может быть полносвязный классификатор, но, скорее всего, это будет свёрточная сеть.

✅ GAN, основанный на свёрточных сетях, называется DCGAN.

Свёрточный дискриминатор состоит из следующих слоёв: нескольких свёрточных слоёв с пулингом (с уменьшением пространственного размера), одного или нескольких полносвязных слоёв для получения «вектора признаков» и, наконец, бинарного классификатора.

✅ «Пулинг» в этом контексте: метод, который уменьшает размер изображения. «Слои пулинга уменьшают размерность данных, объединяя выходы кластеров нейронов на одном слое в один нейрон на следующем слое». Источник.

Генератор устроен немного сложнее. Его можно рассматривать как обратный дискриминатор. Начиная с латентного вектора (вместо вектора признаков), он имеет полносвязный слой для преобразования его в требуемый размер/форму, за которым следуют деконволюции и увеличение масштаба. Это похоже на часть декодера в автокодировщике.

✅ Поскольку свёрточный слой реализован как линейный фильтр, проходящий по изображению, деконволюция по сути аналогична свёртке и может быть реализована с…

План урока

  1. Тест перед лекцией
  2. Дискриминатор
  3. Генератор
  4. Обучение GAN
  5. ✍️ Упражнения: GAN
  6. Проблемы при обучении GAN
  7. Перенос стиля
  8. ✍️ Пример: Перенос стиля

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Microsoft 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Microsoft (3 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды