والمميّز في GAN هو ببساطة تصنيف. ويحاول التمييز بين البيانات الفعلية والبيانات التي أنشأها المنشئ. يمكنها استخدام أي بنية بنية مناسبة لنوع البيانات التي تصنّفها.
الشكل 1: انتشار التمييز في تدريب التمييز.
بيانات تدريب التمييز
تتوفّر بيانات التدريب الخاصة بالمميّز من مصدرَين:
- ظهور بيانات فعلية، مثل صور حقيقية لأشخاص يستخدم المُميِّز هذه الحالات كأمثلة إيجابية أثناء التدريب.
- مثيلات البيانات المزيفة التي أنشأها المنشئ. يستخدم المُظلِّل هذه الأمثلة كأمثلة سلبية أثناء التدريب.
في الشكل 1، يمثّل المربّعان "عيّنة"مصدرَي البيانات هذين اللذين يتم توفيرهما للتمييز. خلال التدريب على التمييز، لا يعتمد المولد على التدريب. دائمًا ما تظلّ قيمة الترجيح ثابتة، فهي تُنشئ أمثلة على التمييز الذي يتدرّب عليه.
تدريب التمييز
يتصل المُعامل بوظيفتَي فقدان. خلال تدريب التمييز، يتجاهل المُدرِج خسارة المُنشئ ويستخدِم فقط فقدان المُميِّز. ونحن نستفيد من فقدان المنشئ أثناء تدريب المنشئ، كما هو موضّح في القسم التالي.
أثناء تدريب التمييز:
- يصنّف أداة التمييز كلاً من البيانات الفعلية والبيانات الزائفة من منشئ البيانات.
- يعاقب التمييز العنصري على التمييز بسبب تصنيف حدث حقيقي عن خطأ كاذب أو أنه نسخة مزيفة.
- يُحدِّث المُميِّز قيمه من خلال الانتشار الخلفي من الخسارة التي حققها المُميِّز من خلال شبكة المميِّز.
في القسم التالي، سنوضّح سبب فقدان فقدان المنشئ للمميّز.