«То, что я не могу создать, я не понимаю». - Ричард Фейнман Приведенные выше изображения выглядят настоящими, но, более того, они кажутся знакомыми. Они напоминают знаменитую актрису, которую вы, возможно, видели по телевизору или в кино. Однако они не настоящие. Их создал новый тип нейронной сети. Генеративные состязательные сети (GAN), иногда называемые генеративными сетями, генерировали эти поддельные изображения. Исследовательская группа NVIDIA использовала эту новую..

Что такое генеративно-состязательная сеть? Если вы еще не слышали о генеративных состязательных сетях, не волнуйтесь, вы их услышите. Самая горячая тема в глубоком обучении, GAN, как их называют, могут создавать системы, которые учатся большему без помощи людей. Традиционно утверждается, что генерирующие состязательные сети (GAN) - это недавняя захватывающая инновация в машинном обучении. GAN - это генеративные модели: они создают новые экземпляры данных, которые напоминают ваши..

Когда дело доходит до моделей генерации текста, мы можем увидеть пару проблем в рекуррентных моделях, которые используют подходы максимального правдоподобия (MLE). Одной из таких общеизвестных проблем является предвзятость экспозиции; на этапе прогнозирования эти модели используют ранее сгенерированные слова в качестве контекста, который они могли не увидеть на этапе обучения. Это становится серьезным при создании длинных последовательностей. Генеративно-состязательные сети (GAN)..

В 2014 году исследователь машинного обучения Ян Гудфеллоу представил идею генеративных состязательных сетей или GAN. Генеративные , потому что они выводят такие вещи, как изображения, а не прогнозы относительно входных данных (например, хот-дог или нет ); Состязательные сети , потому что они используют две нейронные сети, конкурирующие друг с другом в игре в кошки-мышки , как кассир и фальшивомонетчик: одна пытается обмануть другую, заставляя думать, что она может генерировать..