Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Una rete generative avversaria (GAN) è composta da due parti:
Il generatore impara a generare dati plausibili. Le istanze generate diventano esempi di addestramento negativi per il discriminatore.
Il discriminatore impara a distinguere i dati falsi del generatore da quelli reali. Il discriminatore penalizza il generatore per la produzione di risultati implausibili.
All'inizio dell'addestramento, il generatore produce dati chiaramente falsi e il discriminatore impara rapidamente a riconoscerli come tali:
Man mano che l'addestramento procede, il generatore si avvicina alla produzione di output che possono ingannare il discriminatore:
Infine, se l'addestramento del generatore va a buon fine, il discriminatore peggiora nel distinguere il reale dal falso. Inizia a classificare i dati falsi come reali e la sua accuratezza diminuisce.
Ecco una foto dell'intero sistema:
Sia il generatore che il discriminatore sono reti neurali. L'uscita del generatore è collegata direttamente all'ingresso del discriminatore. Attraverso la retropropagazione, la classificazione del discriminatore fornisce un segnale che il generatore utilizza per aggiornare i suoi pesi.
Vediamo più in dettaglio i componenti di questo sistema.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Mancano le informazioni di cui ho bisogno","missingTheInformationINeed","thumb-down"],["Troppo complicato/troppi passaggi","tooComplicatedTooManySteps","thumb-down"],["Obsoleti","outOfDate","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Problema relativo a esempi/codice","samplesCodeIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-02-26 UTC."],[[["GANs consist of two neural networks: a generator creating data and a discriminator evaluating its authenticity."],["The generator and discriminator are trained against each other, with the generator aiming to produce realistic data and the discriminator aiming to identify fake data."],["Through continuous training, the generator improves its ability to create realistic data, while the discriminator struggles more with differentiation."],["The ultimate goal is for the generator to create data so realistic that the discriminator cannot distinguish it from real data."]]],[]]
