欢迎大家来到IT世界,在知识的湖畔探索吧!
生成对抗网络基础Generative Adversarial Networks (GANs)
生成对抗网络GANs是一种使用深度学习方法(如CNN(卷积神经网络))进行生成建模的方法。生成建模是一种无监督的学习方法,涉及自动发现和学习输入数据中的模式,以便该模型可以用于从原始数据集中生成新的示例。
生成对抗网络(GANs)可以分解为三个部分:
- 生成:学习生成模型,该模型描述了如何根据概率模型生成数据。
- 对抗:“对抗”一词指的是将一件事与另一件事对立起来。这意味着,在GANs的上下文中,生成结果与数据集中的实际图像进行比较。一种称为鉴别器的机制用于应用试图区分真实图像和伪图像的模型。
- 网络:使用深度神经网络作为人工智能(AI)算法进行训练。
生成对抗网络是一类用于无监督学习的强大神经网络。GANs由两个神经网络组成,一个鉴别器和一个生成器。他们使用对抗性训练来产生与实际数据相同的人工数据。生成器试图通过生成随机噪声样本来欺骗鉴别器,鉴别器的任务是准确区分生成的数据和真实的数据。这种竞争互动产生了真实、高质量的样本,推动了两个网络的发展。GANs被证明是一种高度通用的人工智能工具,其在图像合成、风格转换和文本到图像合成中的广泛应用证明了这一点。他们还彻底改变了生成建模。
GANs是一种通过将问题定义为具有两个子模型的监督学习问题来训练生成模型的方法。GANs有两个组成部分:
生成器:它被训练来生成新的数据集,例如在计算机视觉中,它从现有的真实世界图像中生成新的图像。
鉴别器:它将这些图像与一些真实世界的例子进行比较,并对真实和虚假图像进行分类。
实例
生成器生成一些随机图像(例如表格),然后鉴别器将这些图像与一些真实世界的表格图像进行比较,并将反馈发送回自己和生成器。
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://itzsg.com/94446.html