EPIK介紹
專業編輯道具與強大的AI技術,編輯照片輕鬆又簡單。
[AI道具]、[專業照片編輯工具]、[完美的人物照片]、[流行內容]、[創意道具]、[影片功能]
實際應用:猜一猜
生成對抗網絡(GAN)
生成對抗網絡(GAN)是一種深度學習模型,由生成器和鑑別器組成。這種模型的目標是使生成器能夠生成逼真的數據,而鑑別器則能夠區分生成的數據與真實數據。
圖片來源:Decoding the Basic Math in GAN — Simplified Version
- 生成器(Generator): 生成器的目標是生成看起來像真實樣本的數據。它接收隨機噪聲或潛在表示,然後通過網絡層進行轉換,生成與訓練數據相似的圖像或數據。
例子:
『戴眼鏡的男人』- 『不戴眼鏡的男人』= 『眼鏡』
『眼鏡』+ 『不戴眼鏡的女人』= 『戴眼鏡的女人』 - 鑑別器(Discriminator): 鑑別器的目標是區分生成器生成的假樣本和真實訓練數據。它接收來自生成器的樣本和真實數據,然後試圖區分兩者。鑑別器的訓練目標是最大限度地提高區分真假樣本的能力。
- 對抗訓練:生成器和鑑別器之間進行對抗過程。生成器努力生成越來越逼真的數據,而鑑別器則努力更好地區分真實和假的數據。這種競爭過程推動模型不斷提升,直到生成器生成的數據難以區分是否為真實。
GAN廣泛應用於圖像生成、風格轉換、超分辨率等任務。
更詳細的介紹篇:An Intuitive Introduction to Generative Adversarial Networks (GANs)
應用
- 風格轉換
圖片來源:Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
- 高解析度影像生成
圖片來源:Tutorial on Deep Generative Models
- 壓縮圖像
圖片來源:Tutorial on Deep Generative Models
結論
『生成對抗網路』(Generative Adversarial Network,GAN)透過僅有少量真實資料的情況下,能夠產生大量的訓練資料,顯然是一種『非監督式』(Unsupervised)的模型。相較於以前的CNN/RNN模型,它們是屬於『監督式』(Supervised)的,需要大量標註資料來進行訓練。GAN的出現被視為神經網路的一大進步。
GAN採用類似金庸小說『老頑童周伯通雙手互搏』的概念,即雙方互相競爭(AlphaGo也採用了這樣的思想),一方面提高模型的準確度,另一方面能夠生成高品質的訓練資料。
參考資料
- https://today.line.me/tw/v2/article/mZMNqe
- https://ithelp.ithome.com.tw/articles/10196257
- https://medium.com/@influxpop/%E7%94%9F%E6%88%90%E5%B0%8D%E6%8A%97%E7%B6%B2%E8%B7%AF-generative-adversarial-network-%E6%98%AF%E4%BB%80%E9%BA%BC-9d5e9b9da45b
- https://github.com/jonbruner/generative-adversarial-networks/blob/master/gan-notebook.ipynb
猜一猜圖片來源:王思佳Instagram、陳意涵Instagram、瘦子E.SO Instagram、唐綺陽占星幫 Facebook)