Pengbeda di GAN hanyalah pengklasifikasi. Pengujian ini mencoba membedakan data real dengan data yang dibuat oleh generator. Sistem ini dapat menggunakan arsitektur jaringan apa pun yang sesuai dengan jenis data yang diklasifikasikan.
Gambar 1: Propagasi mundur dalam pelatihan diskriminator.
Data Pelatihan Diskriminator
Data pelatihan pembeda tersebut berasal dari dua sumber:
- Instance data nyata, seperti gambar nyata dari orang. Diskriminator menggunakan instance ini sebagai contoh positif selama pelatihan.
- Instance data palsu yang dibuat oleh generator. Diskriminator menggunakan instance ini sebagai contoh negatif selama pelatihan.
Dalam Gambar 1, dua kotak "Sampel" mewakili dua sumber data ini yang memasukkan ke dalam pembeda. Selama pelatihan discriminator, generator tidak berlatih. Bobotnya tetap konstan saat menghasilkan contoh untuk discriminator yang akan dilatih.
Melatih Diskriminator
Diskriminator terhubung ke dua fungsi loss. Selama pelatihan diskriminator, diskriminator mengabaikan kerugian generator dan hanya menggunakan kehilangan diskriminator. Kami menggunakan kerugian generator selama pelatihan generator, seperti yang dijelaskan di bagian berikutnya.
Selama pelatihan diskriminator:
- Diskriminator mengklasifikasikan data nyata dan data palsu dari generator.
- Kerugian diskriminator menghukum diskriminator karena salah mengklasifikasikan instance nyata sebagai instance palsu atau instance palsu sebagai nyata.
- Discriminator memperbarui bobotnya melalui backpropagation dari kehilangan diskriminator melalui jaringan diskriminator.
Di bagian berikutnya, kita akan melihat alasan kerugian generator terhubung ke diskriminator.