ส่วนในการสร้าง GAN เรียนรู้วิธีสร้าง ข้อมูลปลอมโดยใส่ความคิดเห็นจากการเลือกปฏิบัติ ระบบเรียนรู้วิธีทําให้เครื่องมือแยกประเภท จําแนกเอาต์พุตว่าเป็นจริง
การฝึกและเครื่องกําเนิดไฟฟ้าจําเป็นต้องใช้การผนวกรวมระหว่างโปรแกรมสร้างแรงดันไฟฟ้าและเครื่องกีดขวางมากกว่าการฝึกที่ใช้งาน ส่วนของ GAN ที่ฝึก เครื่องปั่นไฟ ได้แก่
- อินพุตแบบสุ่ม
- เครือข่ายโปรแกรมสร้าง ซึ่งจะแปลงอินพุตแบบสุ่มเป็นอินสแตนซ์ข้อมูล
- เครือข่าย เลือกปฏิบัติ ซึ่งจําแนกประเภทข้อมูลที่สร้างขึ้น
- อุปกรณ์แบ่งแยก
- สร้างความเสียหาย ซึ่งจะลงโทษโปรแกรมสร้างโปรแกรม ที่ไม่ป้องกันการเลือกปฏิบัติ
รูปที่ 1: การเผยแพร่ข้อมูลเบื้องหลังในการฝึกอบรมการสร้าง
อินพุตแบบสุ่ม
เครือข่ายระบบประสาทจําเป็นต้องมีอินพุตเป็นบางรูปแบบ โดยปกติ เราจะใส่ข้อมูลที่เราต้องการทํา เช่น ประเภทที่เราต้องการจัดประเภทหรือคาดการณ์ แต่เราจะใช้อินพุตเป็นเครือข่ายใด ที่ทําให้เกิดเอาต์พุตของข้อมูลใหม่ทั้งหมด
ในรูปแบบพื้นฐานที่สุด GAN จะใช้เสียงแบบสุ่มเป็นอินพุต จากนั้นโปรแกรมสร้างเสียงจะเปลี่ยนเสียงนี้เป็นเอาต์พุตที่มีความหมาย เมื่อเราเริ่มใช้สัญญาณรบกวน เราสามารถให้ GAN ผลิตข้อมูลที่หลากหลายและสุ่มตัวอย่างจากที่ต่างๆ ในการกระจายเป้าหมายได้
การทดสอบชี้ให้เห็นว่าการกระจายของเสียงเป็นสิ่งสําคัญมาก ดังนั้นเราจึงสามารถเลือกสิ่งที่นํามาใช้ได้ง่าย เช่น การกระจายแบบเดียวกัน เพื่อความสะดวก พื้นที่ที่จะใช้การสุ่มตัวอย่างเสียงมักน้อยกว่าขนาดมิติข้อมูลของพื้นที่เอาต์พุต
การใช้เครื่องมือเลือกปฏิบัติเพื่อฝึกเครื่องกําเนิดไฟฟ้า
หากต้องการฝึกตาข่ายโครงข่ายประสาท เราแก้ไขน้ําหนักของสุทธิเพื่อลดข้อผิดพลาดหรือการสูญเสียเอาต์พุตของโครงข่าย แต่ใน GAN ของเรา โปรแกรมสร้างจะไม่ได้เชื่อมต่อกับการสูญเสีย ที่เราพยายามนํามาใช้โดยตรง โปรแกรมสร้างฟีดจะเข้าตาข่ายการเลือกปฏิบัติ และเครื่องมือแบ่งแยกจะสร้างเอาต์พุตที่เราพยายามสร้างผลกระทบ การสูญเสียโดย Generator จะเป็นการลงโทษเครื่องมือสร้างที่แสดงตัวอย่างว่าเครือข่ายการเลือกปฏิบัติแบ่งแยกประเภทเป็นของปลอม
ต้องมีกลุ่มเครือข่ายส่วนเกินนี้อยู่ในการเผยแพร่ข้อมูล การขยายน้ําหนักส่วนหลัง ปรับน้ําหนักในทิศทางที่ถูกต้องโดยการคํานวณน้ําหนักของน้ําหนัก' ผลที่มีต่อเอาต์พุต ผลที่จะเกิดขึ้นกับการเปลี่ยนแปลงหากคุณเปลี่ยนน้ําหนัก แต่ผลกระทบของน้ําหนักของโปรแกรมสร้างจะขึ้นอยู่กับผลกระทบของน้ําหนักการเลือกปฏิบัติที่มีต่อฟีด ดังนั้น การเผยแพร่กลับจะเริ่มต้นขึ้นที่เอาต์พุตและไหลผ่านเครื่องมือแบ่งแยกไปยังโปรแกรมสร้าง
ในขณะเดียวกัน เราไม่ต้องการให้การเลือกปฏิบัติ เปลี่ยนแปลงในระหว่างการฝึกอบรมตัวสร้างโปรแกรม การลองบรรลุเป้าหมายดังกล่าวจะทําให้ ปัญหาสร้างปัญหายากขึ้นอีก
เราจึงฝึกโปรแกรมสร้างโปรแกรมด้วยขั้นตอนต่อไปนี้
- ตัวอย่างเสียงรบกวนแบบสุ่ม
- สร้างเอาต์พุตจากโปรแกรมสร้างเสียงจากการสุ่มตัวอย่างแบบสุ่ม
- แบ่งแยก "Real" หรือ "Fake" การจําแนกเอาต์พุตของเครื่องมือสร้าง
- คํานวณการสูญเสียจากการแยกประเภท
- เผยแพร่ข้อมูลอีกครั้งผ่านทั้งเครื่องมือแบ่งแยกและเครื่องปั่นไฟเพื่อให้ได้รับการไล่ระดับสี
- ใช้การไล่ระดับสีเพื่อเปลี่ยนเฉพาะน้ําหนักของตัวสร้าง
นี่คือการทําซ้ําการฝึกฝึกอบรมเครื่องมือสร้าง ในส่วนถัดไป เราจะดูวิธี การโยงการฝึกอบรมทั้งกับเครื่องปั่นไฟฟ้าและเครื่องมือแบ่งแยก