Генеративные состязательные сети (GAN) - это интересная технология, которая широко считается одной из самых интересных разработок в области искусственного интеллекта и глубокого обучения за последнее десятилетие. В этой статье представлен обзор доклада ODSC West 2018 Последние разработки в сетях GAN, представленного Сетом Вайдманом из Facebook. Презентация - отличный способ быстро освоить GAN и получить представление о состоянии технологий.
[Статья по теме: 6 уникальных сценариев использования GAN]
Впервые сети GAN были задуманы в новаторской исследовательской работе 2014 года Генеративные состязательные сети Иэна Гудфеллоу и др. Гудфеллоу был стажером Google, которому всего за несколько месяцев удалось собрать массивный набор данных о номерах домов в просмотре улиц и разработать глубокую сверточную нейронную сеть (CNN), чтобы смотреть на изображение и определять номера улиц. Еще одна основополагающая статья, которая всколыхнула интерес к GAN и привлекла большое внимание людей, была Неконтролируемое обучение репрезентативности с помощью глубоких сверточных генеративных состязательных сетей Алека Рэдфорда и др. В этой статье 2016 года использовалась пакетная нормализация наряду с глубокой сверточной архитектурой, и она известна тем, что содержит изображение фальшивых спален. Еще одна статья 2016 года, упомянутая Вайдманом, - Улучшенные методы обучения GAN, написанная Тимом Салимансом и др. И, наконец, учебник Яна Гудфеллоу по GAN 2017 может помочь вам в дальнейшем освоить эту быстро развивающуюся область глубокого обучения Учебное пособие NIPS 2016: Генеративные состязательные сети.
С момента своего создания GAN добились огромного успеха как захватывающая и быстро меняющаяся область, оправдывая обещание генеративных моделей своей способностью генерировать реалистичные примеры по целому ряду проблемных областей, в первую очередь в задачах преобразования изображения в изображение. GAN - это метод обучения нейронных сетей для генерации изображений, аналогичных изображениям данных, на которых была обучена нейронная сеть, и обучение выполняется с использованием состязательного процесса.
Вайдман начинает свою презентацию с описания основ того, как и почему работают сети GAN, а также с рассмотрения базовой нейронной сети и терминологии глубокого обучения. Затем он рассказывает о последних приложениях GAN, от создания рисунков на основе рисунков до передовых исследовательских областей, таких как полу-контролируемое обучение, и даже создания звука. Он также исследует прогресс в улучшении самих GAN, показывая уловки, которые исследователи использовали для повышения реалистичности изображений, генерируемых GAN. На всем протяжении он затрагивает многие связанные темы, такие как различные способы оценки GAN и многие методы, связанные с глубоким обучением, которые, как было обнаружено, улучшают обучение. Наконец, Вайдман завершает некоторые предположения ведущих умов в этой области о том, где мы, вероятнее всего, увидим применение GAN в следующий раз.
Если вы специалист по обработке данных, желающий перейти в область глубокого обучения GAN, этот доклад позволит вам лучше понять последние разработки в этой захватывающей области и технические инновации, которые сделали эти разработки возможными. В докладе рассказывается, почему последние достижения сработали, а не только то, что они собой представляют. Вы почувствуете повышенную уверенность и возможность применять те же методы для решения проблем, с которыми вы сталкиваетесь в личных проектах или на работе. Чтобы глубже погрузиться в GAN, ознакомьтесь с убедительной речью Сета (только в аудио) на ODSC West 2018.
[Статья по теме: Эффективные и упрощенные конвейеры обучения для сетей GAN в облаке с Paperspace]
Ключевые выводы:
- Сети GAN представляют собой относительно новое дополнение к глубокому обучению, которое быстро растет в исследовательском сообществе ИИ, в результате чего многие недавние статьи выводят технологию за пределы ее ранних границ.
- Сети GAN были изобретены Яном Гудфеллоу и его коллегами в 2014 году.
- Учитывая обучающий набор, GAN учится генерировать новые данные с той же статистикой, что и обучающий набор, например GAN, обученный фотографиям, может создавать новые фотографии, которые кажутся человеку внешне аутентичными.
- Изначально GAN были предложены как форма генеративной модели для обучения без учителя, но они также оказались полезными для обучения без учителя.
Прочтите больше статей по науке о данных на OpenDataScience.com, включая учебные пособия и руководства от новичка до продвинутого уровня! Подпишитесь на нашу еженедельную рассылку здесь и получайте последние новости каждый четверг.
