Открыть список
Как стать автором
Обновить

Комментарии 10

Прочитал статью несколько раз, проанализировал — круто! Но все же пока не могу понять конкретного прикладного направления данной логики. С помощью генерации эталонов из случайного шума можно рисовать картины и продавать их, как это делает гугл.
Ведь по-сути прикладная логика сводится к тому, чтобы научить порождающую сеть генерировать эталоны, нежели добиться от распределяющей сети эти эталоны идентифицировать… Распределяющая сеть заточена под работу с двумя классами (True, False), как заточить данный алгоритм для мультиклассовой кластеризации?
Вообще говоря, если есть двухклассовый классификатор, то автоматически есть и многоклассовый.
Однако применительно к GAN можно применить и так называемый условный подход: каждой сети добавляем второй вход, на который подается номер класса (строго говоря, на него можно что угодно подавать, любую априорную информацию, например, номер класса). В результате, порождающая сеть учится генерить образцы заданного класса К, а различающая учится отличать образец К от эталона К.
При таком подходе на каждом шаге обучения мы выбираем образец какого класса мы будем генерить, а для сравнения берем эталон из этого класса. На следующем шаге выбираем другой класс — и так пока сети не научатся.
Направление, в самом деле, более чем интересное. Спасибо автору за труды. Вот бы ещё пример какой-нибудь прикольный с картинками (к слову, быть может с этим датасетом получится что-то замутить?).
Спасибо на добром слове.
Загляните в статью про условные GANы, там есть пример на базе MNIST (на 4-ой странице). До notMNIST руки пока не дошли.
Спасибо за статью. В упомянутой статье приводится пример практического применения технологии: генерация тегов к изображениям. В качестве "шума" берут изображение (точнее вектор признаков извлечнный св. сетью), в качестве учебных данных — теги, присвоеные людьми. Модель обучается генерить теги. Надо попробовать.
А я же правильно понимаю что это именно та основа, по которой работает представленная гуглом "технология" стилизации заданного изображения по определенный картине/изображении (http://deepart.io/) ?
Оу, тема поддерживается) Спасибо за разбор моего примерчика.
Это просто великолепная статья! Очень интересная вещь в хорошем доступном объяснении.

В данном случае она почти ничем не отличается от порождающей, только на выходе у нее сигмоида. — не совсем корректно, так как отличие не только лишь в сигмоиде, но и в нелинейных функциях активации: в генераторе relu, а в дискриминаторе — tanh

Только полноправные пользователи могут оставлять комментарии. Войдите, пожалуйста.