GAN கள் என்றால் என்ன? எப்படி, ஏன் அவற்றை நீங்கள் பயன்படுத்த வேண்டும்!

ஜெனரேடிவ் அட்வர்சரியல் நெட்வொர்க்குகள் அல்லது GAN கள் ஒரு உருவாக்கும் மாடலிங் அணுகுமுறையாகும் ஆழமான கற்றல் துணை மாதிரி அணுகுமுறையைப் பயன்படுத்தி தரவை உருவாக்க புத்திசாலித்தனமான முறையில் மாதிரியைப் பயிற்றுவித்தல். இந்த கட்டுரையில், “GAN கள் என்றால் என்ன” என்பதை விரிவாக புரிந்து கொள்ள முயற்சிப்போம். இந்த கட்டுரையில் பின்வரும் தலைப்புகள் உள்ளன:

• உருவாக்கும் மாதிரிகள் என்றால் என்ன?
• தலைமுறை எதிர்மறையான நெட்வொர்க் என்றால் என்ன?
  • இது எப்படி வேலை செய்கிறது?
  • GAN களை எவ்வாறு பயிற்றுவிப்பது?
• தலைமுறை எதிர்மறையான வலையமைப்பின் சவால்கள்?
• உருவாக்கும் எதிர்மறையான நெட்வொர்க்குகள் பயன்பாடுகள்

தலைமுறை மாதிரிகள் என்றால் என்ன?

உருவாக்கும் மாதிரிகள் ஒன்றைப் பயன்படுத்தும் மாதிரிகள் தவிர வேறில்லை அணுகுமுறை. ஒரு உருவாக்கும் மாதிரியில், தரவுகளில் மாதிரிகள் உள்ளன, அதாவது உள்ளீட்டு மாறிகள் எக்ஸ், ஆனால் இது வெளியீட்டு மாறி Y ஐக் கொண்டிருக்கவில்லை. உற்பத்தி மாதிரியைப் பயிற்றுவிக்க உள்ளீட்டு மாறிகள் மட்டுமே பயன்படுத்துகிறோம், இது அறியப்படாத ஒரு வெளியீட்டை உருவாக்க உள்ளீட்டு மாறிகள் இருந்து வடிவங்களை அங்கீகரிக்கிறது மற்றும் பயிற்சி தரவின் அடிப்படையில் மட்டுமே.

இல் , உள்ளீட்டு மாறிகளிலிருந்து முன்கணிப்பு மாதிரிகளை உருவாக்குவதில் நாங்கள் அதிகம் இணைந்திருக்கிறோம், இந்த வகை மாடலிங் பாரபட்சமான மாடலிங் என்று அழைக்கப்படுகிறது. ஒரு வகைப்பாடு சிக்கலில், எடுத்துக்காட்டு எந்த வகுப்பைச் சேர்ந்தது என்பதை மாதிரி பாகுபாடு காட்ட வேண்டும். மறுபுறம், உள்ளீட்டு விநியோகத்தில் புதிய எடுத்துக்காட்டுகளை உருவாக்க அல்லது உருவாக்க மேற்பார்வை செய்யப்படாத மாதிரிகள் பயன்படுத்தப்படுகின்றன.

ஜெனரேட்டனின் சொற்களில் உற்பத்தி மாதிரிகள் வரையறுக்க, உற்பத்தி மாதிரிகள், மாதிரியிலிருந்து புதிய எடுத்துக்காட்டுகளை உருவாக்க முடியும், அவை மற்ற எடுத்துக்காட்டுகளுக்கு ஒத்தவை மட்டுமல்ல, பிரித்தறிய முடியாதவை.

ஒரு உருவாக்கும் மாதிரியின் பொதுவான உதாரணம் a இது பெரும்பாலும் பாகுபாடான மாதிரியாகப் பயன்படுத்தப்படுகிறது. உற்பத்தி மாதிரிகளின் பிற எடுத்துக்காட்டுகள் காஸியன் கலவை மாதிரி மற்றும் ஜெனரல் அட்வர்சரியல் நெட்வொர்க்குகள் என்ற நவீன எடுத்துக்காட்டு. GAN கள் என்றால் என்ன?

தலைமுறை எதிர்மறையான நெட்வொர்க் என்றால் என்ன?

ஜெனரேடிவ் அட்வர்சரியல் நெட்வொர்க்குகள் அல்லது GAN கள் மேற்பார்வை செய்யப்படாத கற்றலுக்குப் பயன்படுத்தப்படும் ஆழமான கற்றல் அடிப்படையிலான உற்பத்தி மாதிரி. இது அடிப்படையில் இரண்டு போட்டியிடும் ஒரு அமைப்பு நரம்பியல் வலையமைப்புகள் தரவில் மாறுபாடுகளை உருவாக்க அல்லது உருவாக்க ஒருவருக்கொருவர் போட்டியிடுங்கள்.

மதிப்பைக் கடந்து, குறிப்பு ஜாவாவால் கடந்து செல்லுங்கள்

இது முதன்முதலில் 2014 ஆம் ஆண்டில் ஒரு ஆய்வறிக்கையில் இயன் குட்ஃபெலோவால் விவரிக்கப்பட்டது மற்றும் ஒரு தரப்படுத்தப்பட்ட மற்றும் மிகவும் நிலையான மாதிரி கோட்பாட்டை அலெக் ராட்போர்டு 2016 இல் முன்மொழிந்தார், இது DCGAN (Deep Convolutional General Adversarial Networks) என அழைக்கப்படுகிறது. இன்று இருக்கும் பெரும்பாலான GAN கள் DCGAN கட்டமைப்பைப் பயன்படுத்துகின்றன.

GAN கள் கட்டமைப்பு இரண்டு துணை மாதிரிகளைக் கொண்டுள்ளது ஜெனரேட்டர் மாதிரி மற்றும் இந்த பாகுபாடு காண்பிக்கும் மாதிரி. GAN கள் உண்மையில் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்வோம்.

இது எப்படி வேலை செய்கிறது?

GAN கள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்து கொள்ள, அதை உடைப்போம்.

• உருவாக்கம் - மாதிரி பின்வருமாறு என்று பொருள் அணுகுமுறை மற்றும் ஒரு உருவாக்கும் மாதிரி.
• விரோதி - மாதிரி ஒரு எதிர்மறையான அமைப்பில் பயிற்சி பெற்றது
• வலைப்பின்னல் - மாதிரியின் பயிற்சிக்கு, நரம்பியல் நெட்வொர்க்குகளை செயற்கை நுண்ணறிவு வழிமுறைகளாகப் பயன்படுத்துகிறது.

GAN களில், ஒரு ஜெனரேட்டர் நெட்வொர்க் உள்ளது, அது ஒரு மாதிரியை எடுத்து தரவு மாதிரியை உருவாக்குகிறது, இதற்குப் பிறகு, ஒரு பைனரியைப் பயன்படுத்தி உண்மையான மாதிரியிலிருந்து தரவு உருவாக்கப்படுகிறதா அல்லது எடுக்கப்படுகிறதா என்பதை பாகுபாடு காண்பிக்கும் பிணையம் தீர்மானிக்கிறது. 0 முதல் 1 வரம்பில் வெளியீட்டைக் கொடுக்கும் சிக்மாய்டு செயல்பாட்டின் உதவியுடன் சிக்கல்.

பயிற்சி மாதிரியின் பின்னர் தரவின் விநியோகத்தை பகுப்பாய்வு மாதிரி பகுப்பாய்வு செய்கிறது, பாகுபாடு காண்பவர் தவறு செய்யும் நிகழ்தகவு அதிகரிக்கிறது. மறுபுறம், டிஸ்கிரிமினேட்டர் ஒரு மாதிரியை அடிப்படையாகக் கொண்டது, இது மாதிரி உண்மையான தரவுகளிலிருந்து வருகிறது, ஜெனரேட்டரிலிருந்து அல்ல என்ற நிகழ்தகவை மதிப்பிடும்.

முழு செயல்முறையும் கீழே கொடுக்கப்பட்டுள்ள கணித சூத்திரத்தில் முறைப்படுத்தப்படலாம்.

மேலே உள்ள சூத்திரத்தில்:

ஜி = ஜெனரேட்டர்

டி = பாகுபாடு காண்பிப்பவர்

Pdata (x) = உண்மையான தரவுகளின் விநியோகம்

Pdata (z) = ஜெனரேட்டரின் விநியோகஸ்தர்

x = உண்மையான தரவிலிருந்து மாதிரி

z = ஜெனரேட்டரிலிருந்து மாதிரி

டி (x) = பாகுபாடு காண்பிக்கும் பிணையம்

முழு எண்ணாக ஜாவா பாகுபடுத்தவும்

G (z) = ஜெனரேட்டர் நெட்வொர்க்

இப்போது ஒரு GAN க்கான பயிற்சி பகுதி வருகிறது, இது 2 பகுதிகளாக பிரிக்கப்படலாம், அவை தொடர்ச்சியாக செய்யப்படுகின்றன.

ஒரு GAN க்கு பயிற்சி அளிப்பது எப்படி?

பகுதி 1:

பாகுபாடு காண்பிப்பவருக்கு பயிற்சியளித்து ஜெனரேட்டரை முடக்குங்கள், அதாவது ஜெனரேட்டருக்கான பயிற்சி தவறானது என மாற்றப்பட்டு நெட்வொர்க் முன்னோக்கி பாஸை மட்டுமே செய்யும், பின்-பரப்புதல் எதுவும் பயன்படுத்தப்படாது.

அடிப்படையில் பாகுபாடு காண்பிப்பவர் உண்மையான தரவுகளுடன் பயிற்சியளிக்கப்படுகிறார், மேலும் அவற்றை சரியாக கணிக்க முடியுமா என்று சரிபார்க்கிறார், மேலும் போலி தரவுகளுடன் அவை போலியானவை என அடையாளம் காணப்படுகின்றன.

பகுதி 2:

ஜெனரேட்டருக்கு பயிற்சியளித்து, பாகுபாடு காண்பிப்பவரை உறைய வைக்கவும். இந்த கட்டத்தில், முதல் கட்டத்திலிருந்தே முடிவுகளைப் பெறுகிறோம், மேலும் முந்தைய மாநிலத்திலிருந்து சிறப்பாகச் செயல்பட அவற்றைப் பயன்படுத்தலாம், மேலும் பாகுபாடு காண்பவரை சிறப்பாக முட்டாளாக்க முயற்சி செய்யலாம்.

பயிற்சிக்கான படிகள்

1. சிக்கலை வரையறுக்கவும் - சிக்கலை வரையறுத்து தரவை சேகரிக்கவும்.
2. GAN இன் கட்டிடக்கலை தேர்வு செய்யவும் - உங்கள் சிக்கலைப் பொறுத்து உங்கள் GAN எப்படி இருக்க வேண்டும் என்பதைத் தேர்வுசெய்க.
3. உண்மையான தரவுகளில் ரயில் பாகுபாடு காண்பிப்பவர் - பாகுபாடு காண்பிப்பவருக்கு உண்மையான தரவைக் கொண்டு பயிற்சி அளிக்கவும்.
4. ஜெனரேட்டருக்கு போலி உள்ளீடுகளை உருவாக்குங்கள் - ஜெனரேட்டரிலிருந்து போலி மாதிரிகளை உருவாக்குங்கள்
5. போலி தரவுகளில் ரயில் பாகுபாடு காண்பிப்பவர் - உருவாக்கப்பட்ட தரவை போலியானது என்று கணிக்க பாகுபாட்டாளருக்கு பயிற்சி அளிக்கவும்.
6. பாகுபாட்டின் வெளியீட்டைக் கொண்ட ரயில் ஜெனரேட்டர் - பாகுபாடு காண்பிக்கும் கணிப்புகளைப் பெற்ற பிறகு, பாகுபாடு காண்பவரை முட்டாளாக்க ஜெனரேட்டருக்கு பயிற்சி அளிக்கவும்

தலைமுறை எதிர்மறையான வலையமைப்பின் சவால்கள்

GAN களின் கருத்து மிகவும் கவர்ச்சிகரமானதாக இருக்கிறது, ஆனால் அதன் பாதையில் நிறைய தடைகளை ஏற்படுத்தக்கூடிய நிறைய பின்னடைவுகள் உள்ளன. GAN கள் எதிர்கொள்ளும் சில முக்கிய சவால்கள்:

1. ஸ்திரத்தன்மை பாகுபாடு காண்பிக்கும் ஜெனரேட்டருக்கும் இடையில் தேவைப்படுகிறது, இல்லையெனில் முழு நெட்வொர்க்கும் வீழ்ச்சியடையும். வழக்கில், பாகுபாடு காண்பிப்பவர் மிகவும் சக்திவாய்ந்தவராக இருந்தால், ஜெனரேட்டர் முற்றிலும் பயிற்சி பெறத் தவறும். நெட்வொர்க் மிகவும் மென்மையாக இருந்தால், எந்தவொரு படமும் பிணையத்தை பயனற்றதாக மாற்றும்.
2. தீர்மானிப்பதில் GAN கள் மோசமாக தோல்வியடைகின்றன பொருள்களின் நிலைப்படுத்தல் அந்த இடத்தில் எத்தனை முறை பொருள் ஏற்பட வேண்டும் என்பதன் அடிப்படையில்.
3. 3-டி முன்னோக்கு GAN களை புரிந்து கொள்ள முடியாததால் தொந்தரவு செய்கிறது முன்னோக்கு , இது பெரும்பாலும் 3-d பொருளுக்கு ஒரு தட்டையான படத்தைக் கொடுக்கும்.
4. GAN க்கள் புரிந்து கொள்வதில் சிக்கல் உள்ளது உலகளாவிய பொருள்கள் . இது ஒரு முழுமையான கட்டமைப்பை வேறுபடுத்தவோ புரிந்துகொள்ளவோ ​​முடியாது.
5. புதிய வகை GAN கள் மிகவும் மேம்பட்டவை, மேலும் இந்த குறைபாடுகளை முற்றிலுமாக சமாளிக்கும் என்று எதிர்பார்க்கப்படுகிறது.

உருவாக்கும் எதிர்மறை நெட்வொர்க் பயன்பாடுகள்

பின்வருபவை GAN களின் சில பயன்பாடுகள்.

ஒரு வீடியோவில் அடுத்த சட்டகத்தின் கணிப்பு

வீடியோ சட்டகத்தில் எதிர்கால நிகழ்வுகளின் முன்கணிப்பு GAN களின் உதவியுடன் சாத்தியமானது. டிவிடி-கேன் அல்லது இரட்டை வீடியோ பாகுபாடு காண்பிப்பவர் GAN 486 பிரேம்கள் வரை குறிப்பிடத்தக்க நம்பகத்தன்மையின் 256 × 256 வீடியோக்களை உருவாக்க முடியும். கண்காணிப்பு உள்ளிட்ட பல்வேறு நோக்கங்களுக்காக இதைப் பயன்படுத்தலாம், இதில் மழை, தூசி, புகை போன்ற பிற காரணிகளால் சிதைந்துபோகும் ஒரு சட்டகத்தின் செயல்பாடுகளை நாம் தீர்மானிக்க முடியும்.

ஜாவாவில் வீசுவதற்கும் வீசுவதற்கும் வித்தியாசம்

பட தலைமுறைக்கு உரை

பொருள்-உந்துதல் கவனமுள்ள GAN (obj-GAN), உரை-க்கு-பட தொகுப்பு இரண்டு படிகளில் செய்கிறது. சொற்பொருள் தளவமைப்பை உருவாக்குவது ஆரம்ப கட்டமாகும், பின்னர் ஒரு டி-கன்வல்யூஷனல் இமேஜ் ஜெனரேட்டரைப் பயன்படுத்துவதன் மூலம் படத்தை ஒருங்கிணைப்பதன் மூலம் படத்தை உருவாக்குவது இறுதி கட்டமாகும்.

தலைப்புகள், தளவமைப்புகள் மற்றும் சொற்களை ஒருங்கிணைப்பதன் மூலம் விவரங்களை செம்மைப்படுத்துவதன் மூலம் படங்களை உருவாக்க இது தீவிரமாக பயன்படுத்தப்படலாம். ஸ்டோரி கேன்களைப் பற்றி மற்றொரு ஆய்வு உள்ளது, இது முழு ஸ்டோரிபோர்டுகளையும் வெறும் பத்திகளிலிருந்து ஒருங்கிணைக்க முடியும்.

ஒரு படத்தின் தீர்மானத்தை மேம்படுத்துதல்

சூப்பர்-ரெசல்யூஷன் ஜெனரேடிவ் எதிர்மறையான நெட்வொர்க் அல்லது எஸ்.ஆர்.ஜி.ஏ.என் என்பது ஒரு ஜிஏஎன் ஆகும், இது குறைந்த தெளிவுத்திறன் கொண்ட படங்களிலிருந்து சூப்பர்-ரெசல்யூஷன் படங்களை சிறந்த விவரங்கள் மற்றும் சிறந்த தரத்துடன் உருவாக்க முடியும்.

பயன்பாடுகள் மகத்தானதாக இருக்கலாம், குறைந்த தெளிவுத்திறன் கொண்ட படத்திலிருந்து உருவாக்கப்படும் சிறந்த விவரங்களைக் கொண்ட உயர் தரமான படத்தை கற்பனை செய்து பாருங்கள். குறைந்த தெளிவுத்திறன் கொண்ட படங்களில் விவரங்களை அடையாளம் காண இது வழங்கும் உதவியின் அளவு கண்காணிப்பு, ஆவணங்கள், பாதுகாப்பு, வடிவங்களைக் கண்டறிதல் போன்ற பரந்த நோக்கங்களுக்காகப் பயன்படுத்தப்படலாம்.

பட மொழிபெயர்ப்புக்கு படம்

Pix2Pix GAN என்பது பொது நோக்கத்திற்கான படம்-பட-மொழிபெயர்ப்பிற்காக வடிவமைக்கப்பட்ட ஒரு மாதிரி.

ஊடாடும் பட உருவாக்கம்

ஊடாடும் படங்களை உருவாக்க GAN களைப் பயன்படுத்தலாம், கணினி அறிவியல் மற்றும் செயற்கை நுண்ணறிவு ஆய்வகம் (CSAIL) ஒரு GAN ஐ உருவாக்கியுள்ளது, இது 3-D மாதிரிகளை யதார்த்தமான விளக்குகள் மற்றும் வடிவம் மற்றும் அமைப்பு எடிட்டிங் மூலம் செயல்படுத்தப்பட்ட பிரதிபலிப்புகளுடன் உருவாக்க முடியும்.

மிக அண்மையில், ஒரு நபரின் இயக்கத்தால் அனிமேஷன் செய்யப்பட்ட மறுபயன்பாட்டு முகத்தை ஒருங்கிணைக்கக்கூடிய ஒரு மாதிரியை ஆராய்ச்சியாளர்கள் கொண்டு வந்துள்ளனர், அதே நேரத்தில் முகத்தின் தோற்றத்தை பாதுகாக்கின்றனர்.

இந்த கட்டுரையின் முடிவிற்கு இது நம்மை அழைத்துச் செல்கிறது. இந்த டுடோரியலில் உங்களுடன் பகிரப்பட்ட எல்லாவற்றையும் நீங்கள் தெளிவாகக் கருதுகிறீர்கள் என்று நம்புகிறேன்.

“GAN கள் என்றால் என்ன” என்ற இந்த கட்டுரையை நீங்கள் கண்டால், பாருங்கள் உலகம் முழுவதும் பரவியுள்ள 250,000 க்கும் மேற்பட்ட திருப்தியான கற்றவர்களின் வலைப்பின்னலுடன் நம்பகமான ஆன்லைன் கற்றல் நிறுவனம்.

உங்கள் பயணத்தின் ஒவ்வொரு அடியிலும் உங்களுக்கு உதவ நாங்கள் இங்கு வந்துள்ளோம், மேலும் மாணவர்கள் மற்றும் தொழில் வல்லுநர்களுக்காக வடிவமைக்கப்பட்ட ஒரு பாடத்திட்டத்தை கொண்டு வருகிறோம். . பைதான் புரோகிராமிங்கில் உங்களுக்கு ஒரு தொடக்கத்தைத் தருவதற்கும், பல்வேறு மற்றும் முக்கிய மற்றும் மேம்பட்ட பைதான் கருத்தாக்கங்களுக்கும் பயிற்சி அளிப்பதற்காக இந்த பாடநெறி வடிவமைக்கப்பட்டுள்ளது. போன்ற

நீங்கள் ஏதேனும் கேள்விகளைக் கண்டால், “என்ன கேன்ஸ்” இன் கருத்துகள் பிரிவில் உங்கள் எல்லா கேள்விகளையும் கேட்க தயங்கவும், எங்கள் குழு பதிலளிப்பதில் மகிழ்ச்சி அடைகிறது.