ตัวแยกแยะใน GAN เป็นเพียงตัวจัดประเภท โดยจะพยายามแยกแยะข้อมูลจริงออกจากข้อมูลที่สร้างโดยเครื่องมือสร้าง โดยใช้สถาปัตยกรรมเครือข่ายใดก็ได้ที่เหมาะสมกับประเภทข้อมูลที่จะจัดประเภท
รูปที่ 1: การแสดงผลย้อนกลับในการฝึกตัวแยกแยะ
ข้อมูลการฝึกตัวแบ่ง
ข้อมูลการฝึกของดิสคริมิเนเตอร์มาจากแหล่งที่มา 2 แห่ง ดังนี้
- อินสแตนซ์ข้อมูลจริง เช่น รูปภาพคนจริง ตัวแยกแยะจะใช้อินสแตนซ์เหล่านี้เป็นตัวอย่างเชิงบวกระหว่างการฝึก
- อินสแตนซ์ข้อมูลจำลองที่สร้างโดยเครื่องมือสร้าง ตัวแยกแยะจะใช้อินสแตนซ์เหล่านี้เป็นตัวอย่างเชิงลบระหว่างการฝึก
ในรูปที่ 1 กล่อง "ตัวอย่าง" 2 กล่องแสดงแหล่งข้อมูล 2 แหล่งที่ส่งไปยังตัวระบุ ในระหว่างการฝึกตัวแบ่ง ตัวแจงจะไม่ได้รับการฝึก โดยน้ำหนักจะคงที่ขณะสร้างตัวอย่างสำหรับใช้ฝึกตัวแยกแยะ
การฝึกตัวแบ่ง
ตัวแยกแยะจะเชื่อมต่อกับฟังก์ชัน loss 2 รายการ ในระหว่างการฝึก discriminator นั้น discriminator จะไม่สนใจ loss ของ generator แต่จะนําเฉพาะ loss ของ discriminator ไปใช้ เราใช้การสูญเสียของเจนเนอเรเตอร์ในระหว่างการฝึกเจนเนอเรเตอร์ตามที่อธิบายไว้ในส่วนถัดไป
ในระหว่างการฝึกตัวแบ่ง
- ตัวแยกแยะจะจัดประเภททั้งข้อมูลจริงและข้อมูลจำลองจากเครื่องมือสร้าง
- ข้อมูลความสูญเสียของตัวแยกแยะจะลงโทษตัวแยกแยะสำหรับการจัดประเภทอินสแตนซ์จริงเป็นเท็จหรืออินสแตนซ์เท็จเป็นจริง
- ตัวแยกแยะจะอัปเดตน้ำหนักผ่านการย้อนกลับจากข้อมูลการสูญเสียของตัวแยกแยะผ่านเครือข่ายตัวแยกแยะ
ในส่วนถัดไป เราจะดูว่าทำไมการสูญเสียของเครื่องยนต์จึงเชื่อมโยงกับตัวแยก