مدل هوش مصنوعی مولد: GANs (قسمت 2)

خوش آمدید مردم!

در وبلاگ قبلی در مورد مفاهیم اصلی GAN ها و اجزای مدل یعنی Generator و Discriminator صحبت کردیم. همچنین فرآیند اصلی متخاصم را که در بهینه سازی مدل دخیل است، توضیح داد. GAN ها روی یک مفهوم بسیار قدرتمند اما اساسی از نظریه بازی کار می کنند “بازی حاصل جمع صفر”. این به سادگی به این معنی است که سود یک بازیکن در بازی برای دیگری ضرر است، بنابراین مجموع به صفر می رسد.

این امر در این زمینه به گونه ای اعمال می شود که اگر مولد برنده شود، به این معنی است که تمایزکننده قادر به شناسایی تصاویر جعلی نیست و اگر تبعیض برنده شود، مولد کار خوبی انجام نمی دهد.

برای درک اینکه آموزش خصمانه فوق چگونه کار می کند و چه مؤلفه هایی به تولید کننده و متمایزکننده کمک می کند تا به اهداف خود دست یابند، این وبلاگ بر روی یک تابع بسیار اساسی Loss “Cross Entropy” تمرکز می کند.

آنتروپی متقاطع چیست؟

آنتروپی متقاطع معیاری است که نشان می دهد پیش بینی ها چقدر از نتایج واقعی فاصله دارند (از نظر احتمال). هر چه آنتروپی بیشتر باشد، پیش‌بینی بدتر است.

مفاهیم اساسی

بیایید مثالی بزنیم تا بفهمیم چگونه کار می کند. وظیفه این است که تشخیص دهیم ایمیل اسپم است یا خیر. آنتروپی متقاطع به سادگی نشان می دهد که حدس در مقایسه با سناریوی واقعی چقدر خوب است. بیایید آن را تجزیه کنیم:

سناریو 1: اگر …

Source link