یک شبکه متخاصم مولد (GAN) دارای دو بخش است:
- مولد یاد می گیرد که داده های قابل قبولی تولید کند. نمونه های ایجاد شده به نمونه های آموزشی منفی برای ممیز تبدیل می شوند.
- متمایز کننده یاد می گیرد که داده های جعلی تولید کننده را از داده های واقعی تشخیص دهد. متمایز کننده، مولد را به دلیل تولید نتایج غیرقابل قبول جریمه می کند.
هنگامی که آموزش شروع می شود، مولد داده های آشکارا جعلی تولید می کند و متمایز کننده به سرعت یاد می گیرد که جعلی بودن آن را تشخیص دهد:
با پیشرفت آموزش، مولد به تولید خروجی نزدیک‌تر می‌شود که می‌تواند متمایزکننده را فریب دهد:
در نهایت، اگر آموزش ژنراتور به خوبی پیش برود، تمایزکننده در تشخیص تفاوت بین واقعی و جعلی بدتر می شود. شروع به طبقه بندی داده های جعلی به عنوان واقعی می کند و دقت آن کاهش می یابد.
این هم تصویری از کل سیستم:
هم مولد و هم متمایز کننده شبکه های عصبی هستند. خروجی ژنراتور مستقیماً به ورودی تفکیک کننده متصل می شود. از طریق پس انتشار ، طبقه بندی تفکیک کننده سیگنالی را ارائه می دهد که ژنراتور از آن برای به روز رسانی وزن های خود استفاده می کند.
بیایید قطعات این سیستم را با جزئیات بیشتری توضیح دهیم.