Mantenha tudo organizado com as coleções
Salve e categorize o conteúdo com base nas suas preferências.
Uma rede adversarial generativa (GAN) tem duas partes:
O gerador aprende a gerar dados plausíveis. As instâncias geradas
se tornam exemplos de treinamento negativos para o discriminador.
O discriminador aprende a distinguir os dados falsos do gerador dos
dados reais. O discriminador penaliza o gerador por produzir
resultados implausíveis.
Quando o treinamento começa, o gerador produz dados obviamente falsos, e o
discriminador aprende rapidamente a dizer que eles são falsos:
Conforme o treinamento avança, o gerador se aproxima de produzir uma saída que
pode enganar o discriminador:
Por fim, se o treinamento do gerador for bem-sucedido, o discriminador vai ter mais dificuldade
para identificar a diferença entre o real e o falso. Ele começa a classificar dados falsos como
reais, e a precisão deles diminui.
Aqui está uma foto de todo o sistema:
O gerador e o discriminador são redes neurais. A saída do gerador
é conectada diretamente à entrada do discriminador. Através da
retropropagação, a
classificação do discriminador fornece um sinal que o gerador usa para
atualizar os pesos.
Vamos explicar as partes desse sistema em mais detalhes.
[[["Fácil de entender","easyToUnderstand","thumb-up"],["Meu problema foi resolvido","solvedMyProblem","thumb-up"],["Outro","otherUp","thumb-up"]],[["Não contém as informações de que eu preciso","missingTheInformationINeed","thumb-down"],["Muito complicado / etapas demais","tooComplicatedTooManySteps","thumb-down"],["Desatualizado","outOfDate","thumb-down"],["Problema na tradução","translationIssue","thumb-down"],["Problema com as amostras / o código","samplesCodeIssue","thumb-down"],["Outro","otherDown","thumb-down"]],["Última atualização 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."]]],[]]
