متمایز کننده در یک GAN به سادگی یک طبقه بندی کننده است. سعی می کند داده های واقعی را از داده های ایجاد شده توسط مولد تشخیص دهد. این می تواند از هر معماری شبکه ای متناسب با نوع داده ای که طبقه بندی می کند استفاده کند.
شکل 1: پس انتشار در آموزش تمایز.
داده های آموزشی تبعیض
داده های آموزشی تمایزگر از دو منبع می آید:
- نمونه های داده واقعی ، مانند تصاویر واقعی افراد. تمایزکننده از این موارد به عنوان نمونه های مثبت در طول آموزش استفاده می کند.
- نمونه های داده جعلی ایجاد شده توسط مولد. ممیز از این موارد به عنوان مثال های منفی در طول آموزش استفاده می کند.
در شکل 1، دو جعبه "نمونه" این دو منبع داده را نشان می دهند که به تفکیک کننده تغذیه می شوند. در طول آموزش تفکیک کننده، ژنراتور تمرین نمی کند. وزن آن ثابت می ماند در حالی که نمونه هایی برای تمایز ایجاد می کند تا روی آن تمرین کند.
آموزش افراد تبعیض آمیز
تفکیک کننده به دو تابع از دست دادن متصل می شود. در طول آموزش تفکیک کننده، تمایز کننده از دست دادن مولد چشم پوشی می کند و فقط از ضرر ممیز استفاده می کند. همانطور که در بخش بعدی توضیح داده شد، از اتلاف ژنراتور در طول آموزش ژنراتور استفاده می کنیم.
در طول آموزش ممیز:
- تمایز دهنده هم داده های واقعی و هم داده های جعلی را از مولد طبقه بندی می کند.
- ضرر تمایزکننده، متمایزکننده را به دلیل طبقه‌بندی اشتباه یک نمونه واقعی به عنوان جعلی یا یک نمونه جعلی به عنوان واقعی جریمه می‌کند.
- تمایزگر وزن خود را از طریق انتشار پس‌انداز از تلفات ممیز از طریق شبکه تشخیص‌دهنده به‌روزرسانی می‌کند.
در بخش بعدی خواهیم دید که چرا از دست دادن ژنراتور به تفکیک کننده متصل می شود.