जीएएन का जनरेटर, गलत जानकारी देने वाले व्यक्ति से सुझाव लेकर, नकली डेटा बनाना सीखता है. यह विद्वान को अपने आउटपुट को वास्तविक रूप में वर्गीकृत करने के लिए सीखता है.
जनरेटर की ट्रेनिंग के लिए, डिस्ट्रिब्यूटर को बेहतर तरीके से इंटिग्रेट करना होगा. जनरेटर का इस्तेमाल करने वाले GAN के हिस्से में, ये चीज़ें शामिल होती हैं:
- कोई भी इनपुट
- जनरेटर नेटवर्क, जो रैंडम इनपुट को डेटा इंस्टेंस में बदलता है
- भेदभाव वाला नेटवर्क, जो जनरेट किए गए डेटा को अलग-अलग ग्रुप में बांटता है
- डिस्ट्रिब्यूटर का आउटपुट
- जनरेटर से नुकसान
पहली इमेज: बिजली जाने की ट्रेनिंग के दौरान बिजली के इस्तेमाल को बढ़ावा देना.
रैंडम इनपुट
न्यूरल नेटवर्क को किसी तरह के इनपुट की ज़रूरत होती है. आम तौर पर, हम वह डेटा डालते हैं जिसे हम कुछ करना चाहते हैं, जैसे कि हम किसी कैटगरी में शामिल करना चाहते हैं या इसका अनुमान लगाना चाहते हैं. लेकिन हम ऐसे नेटवर्क के लिए इनपुट के तौर पर क्या इस्तेमाल करते हैं जो पूरी तरह से नए डेटा इंस्टेंस पर ले जाता है?
अपने बुनियादी रूप में GAN, इनपुट के तौर पर बिना सोचे-समझे शोर करता है. इसके बाद, जनरेटर इस आवाज़ को काम के आउटपुट में बदलता है. शोर शुरू करके, हम जीएएन को कई तरह का डेटा बनाने के लिए पा सकते हैं, जिसका लक्ष्य टारगेट डिस्ट्रिब्यूशन में अलग-अलग जगहों से लिया जाता है.
प्रयोगों से पता चलता है कि आस-पास के शोर का बहुत मायने नहीं होता. इसलिए, हम इसमें से कुछ भी चुन सकते हैं, जिससे सैंपल लेना आसान हो. जैसे, यूनिफ़ॉर्म का डिस्ट्रिब्यूशन. सुविधा के लिए, जिस स्पेस से शोर का नमूना लिया जाता है वह आम तौर पर आउटपुट स्पेस की डाइमेंशन संख्या से कम डाइमेंशन होता है.
जनरेटर का काम खुद करने के लिए, भेदभाव करने वाले व्यक्ति का इस्तेमाल करना
न्यूरल नेट को ट्रेनिंग देने के लिए, हम नेट और वज़न में बदलाव करते हैं, ताकि गड़बड़ी या इसके आउटपुट में कमी को कम किया जा सके. हालांकि, हमारे GAN में, जनरेटर उस नुकसान से सीधे तौर पर नहीं जुड़ा है जिसे हम प्रभावित करने की कोशिश कर रहे हैं. डिस्ट्रिब्यूटर को नेट में डालता है और विरोध करने वाला वह आउटपुट तैयार करता है जिसे हम प्रभावित करने की कोशिश करते हैं. जनरेटर का नुकसान करने पर, जनरेटर का नमूना लिया जाता है. इससे सैंपल के तौर पर बांटने वाले नेटवर्क को नकली बताया जाता है.
नेटवर्क के इस अतिरिक्त हिस्से को बैक-प्रॉपोलेशन में शामिल किया जाना चाहिए. बैक-पैपरिफ़िकेशन, आउटपुट पर असर और उससे होने वाले असर की गिनती करके, हर वज़न को सही दिशा में बदलता है — वज़न में बदलाव करने पर, आउटपुट कैसे बदलता है. लेकिन जनरेटर के वज़न का असर इस बात पर निर्भर करता है कि भेदभाव करने वाले व्यक्ति का वज़न उसमें कितना फ़ीड करता है. इसलिए, आउटपुट में बदलाव करना शुरू होता है और अलग करने वाले सिस्टम से जनरेटर में चला जाता है.
इसके अलावा, हम यह भी नहीं चाहते कि डिस्ट्रिब्यूटर को जनरेटर की ट्रेनिंग के दौरान बदला जाए. हिलने-डुलने वाले टारगेट को पूरा करने की वजह से, जनरेटर का काम करना और भी मुश्किल हो जाता है.
इसलिए, हम जनरेटर को इस तरह से ट्रेनिंग देते हैं:
- किसी भी क्रम में शोर का नमूना.
- सैंपल के तौर पर शोर वाली जगह पर जनरेटर का आउटपुट पाएं.
- डिस्ट्रिब्यूटर और कोट;रीयल&कोट; या &नकली" जनरेटर के आउटपुट की कैटगरी तय करें.
- भेदभाव की कैटगरी तय करने से होने वाले नुकसान का हिसाब लगाएं.
- ग्रेडिएंट पाने के लिए, भेदभाव करने वाले और जनरेटर, दोनों के ज़रिए प्रचार करें.
- सिर्फ़ जनरेटर के वज़न में बदलाव करने के लिए, ग्रेडिएंट का इस्तेमाल करें.
यह जनरेटर ट्रेनिंग का एक दोहराव है. अगले सेक्शन में हम देखेंगे कि जनरेटर और विभेदक, दोनों की ट्रेनिंग के बीच क्या तालमेल बनाया जाता है.