Генеративно-состязательная сеть: различия между версиями
Dzmuh (обсуждение | вклад) Нет описания правки |
Dzmuh (обсуждение | вклад) Нет описания правки |
||
| (не показана 1 промежуточная версия этого же участника) | |||
| Строка 1: | Строка 1: | ||
{{Заготовка}} | {{Заготовка}} | ||
'''Генеративно-состязательная сеть''' ({{lang-en|Generative adversarial network}}, сокращённо GAN) — алгоритм [[Машинное обучение|машинного обучения]] [[Обучение без учителя|без учителя]], построенный на комбинации из двух [[нейронная сеть|нейронных сетей]], одна из которых (сеть G) генерирует образцы (см. {{нп5|Генеративная модель||en|Generative model}})，а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. {{нп5|Дискриминативная модель||en|Discriminative model}}). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает [[антагонистическая игра]]. ''Генеративно-состязательную сеть'' описал | '''Генеративно-состязательная сеть''' ({{lang-en|Generative adversarial network}}, сокращённо GAN) — алгоритм [[Машинное обучение|машинного обучения]] [[Обучение без учителя|без учителя]], построенный на комбинации из двух [[нейронная сеть|нейронных сетей]], одна из которых (сеть G) генерирует образцы (см. {{нп5|Генеративная модель||en|Generative model}})，а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. {{нп5|Дискриминативная модель||en|Discriminative model}}). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает [[антагонистическая игра]]. ''Генеративно-состязательную сеть'' описал [[wpen:Ian Goodfellow|Ян Гудфеллоу]] из компании [[Google (компания)|Google]] в 2014 году. | ||
Использование этой техники позволяет в частности генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото<ref name="ITT_GANs">{{cite arXiv |eprint=1606.03498|title=Improved Techniques for Training GANs|last1=Salimans |first1=Tim |last2=Goodfellow |first2=Ian |last3=Zaremba |first3=Wojciech |last4=Cheung |first4=Vicki |last5=Radford |first5=Alec |last6=Chen |first6=Xi |class=cs.LG |year=2016 }}</ref>. Кроме того GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий. | Использование этой техники позволяет в частности генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото<ref name="ITT_GANs">{{cite arXiv |eprint=1606.03498|title=Improved Techniques for Training GANs|last1=Salimans |first1=Tim |last2=Goodfellow |first2=Ian |last3=Zaremba |first3=Wojciech |last4=Cheung |first4=Vicki |last5=Radford |first5=Alec |last6=Chen |first6=Xi |class=cs.LG |year=2016 }}</ref>. Кроме того GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий. | ||
== Примечания == | |||
{{Примечания|2}} | |||
== Ссылки == | == Ссылки == | ||
Текущая версия от 00:51, 10 января 2022
 | Это заготовка статьи. |
Генеративно-состязательная сеть (англ. Generative adversarial network, сокращённо GAN) — алгоритм машинного обучения без учителя, построенный на комбинации из двух нейронных сетей, одна из которых (сеть G) генерирует образцы (см. Генеративная модель[en])，а другая (сеть D) старается отличить правильные («подлинные») образцы от неправильных (см. Дискриминативная модель[en]). Так как сети G и D имеют противоположные цели — создать образцы и отбраковать образцы — между ними возникает антагонистическая игра. Генеративно-состязательную сеть описал Ян Гудфеллоу из компании Google в 2014 году.
Использование этой техники позволяет в частности генерировать фотографии, которые человеческим глазом воспринимаются как натуральные изображения. Например, известна попытка синтезировать фотографии кошек, которые вводят в заблуждение эксперта, считающего их естественными фото[1]. Кроме того GAN может использоваться для улучшения качества нечётких или частично испорченных фотографий.
Примечания
- ↑ Salimans, Tim; Goodfellow, Ian; Zaremba, Wojciech; Cheung, Vicki; Radford, Alec & Chen, Xi (2016), Improved Techniques for Training GANs, arΧiv:1606.03498 [cs.LG]
Ссылки
