المُميِّز

إنّ المميِّز في شبكة GAN هو ببساطة مصنِّف. ويحاول التمييز بين البيانات الحقيقية والبيانات التي أنشأها المولد. ويمكن أن يستخدم أي بنية شبكة مناسبة لنوع البيانات التي يصنفها.

الشكل 1: الانتشار العكسي في تدريب المميّز

بيانات تدريب المُميِّز

تأتي بيانات تدريب المُميِّز من مصدرَين:

• مثيلات البيانات الحقيقية، مثل الصور الحقيقية للأشخاص ويستخدم المُميِّز هذه النماذج كأمثلة إيجابية أثناء التدريب.
• عناصر البيانات المزيّفة التي أنشأها المُنشئ يستخدم العنصر المميّز هذه النماذج كأمثلة سلبية أثناء التدريب.

في الشكل 1، يمثّل المربّعَان "عيّنة" مصدرَي البيانات هذين اللذَين يغذّيان المميّز. لا يتم تدريب المولد أثناء تدريب المميِّز. وتبقى أوزانه ثابتة أثناء إنتاج أمثلة لتدريب المميّز.

تدريب المُميِّز

يرتبط المُميِّز بوظيفتَي الخسارة. أثناء تدريب المميّز، يتجاهل المميّز الخسارة في المولد ويستخدم فقط خسارة المميّز. نستخدم خسارة المولد أثناء تدريب المولد، كما هو موضَّح في القسم التالي.

أثناء تدريب المُميِّز:

1. يصنّف العنصر المميّز كلّ من البيانات الحقيقية والبيانات المزيّفة من المُنشئ.
2. تفرض خسارة المميّز عقوبة على المميّز عند تصنيفه مثيلًا حقيقيًا على أنّه مزيّف أو مثيلًا مزيّفًا على أنّه حقيقي.
3. يعدّل المميِّز أوزانه من خلال الانتشار العكسي من خسارة المميِّز من خلال شبكة المميِّز.

في القسم التالي، سنرى سبب ارتباط خسارة المولد بالخطأ المميِّز.