تتعلّم أداة إنشاء GAN كيفية إنشاء بيانات مزيّفة من خلال دمج الملاحظات التي يقدّمها التمييز. تتعلّم هذه الطريقة لجعل المُميّز يصنّف الناتج على أنّه حقيقي.
يتطلّب تدريب المنشئ دمجًا أكثر صرامة بين المولّد والمميّز مقارنةً بالتدريب على التمييز. يشمل جزء GAN الذي يدرّب المنشئ ما يلي:
- إدخال عشوائي
- شبكة المنشئ، التي تحوِّل الإدخال العشوائي إلى مثيل بيانات
- شبكة التمييز، التي تصنّف البيانات التي تم إنشاؤها
- نتيجة التمييز
- فقدان المولِّد الذي يعاقب المنشئ على عدم خداعه حتى يتسنى له التمييز
الشكل 1: الانتشار في تدريب المنشئ.
الإدخال العشوائي
تحتاج الشبكات العصبونية إلى شكل من الأشكال. نُدخِل عادةً البيانات التي نريد تنفيذ إجراء باستخدامها، مثل المثال الذي نريد تصنيفه أو توقّعه. ولكن ما الذي نستخدمه كإدخال لشبكة ينتج عنها بيانات جديدة تمامًا؟
في شكلها الأساسي، تأخذ GAN الضوضاء العشوائية كإدخالها. بعد ذلك، يحوّل المنشئ هذا الضجيج إلى مخرجات مفيدة. من خلال التعريف بالضوضاء، يمكننا الحصول على شبكة GAN لإنتاج مجموعة متنوعة من البيانات، مع أخذ عينات من أماكن مختلفة في التوزيع المستهدف.
تشير التجارب إلى أنّ توزيع الضجيج لا يهمّ كثيرًا، لذلك يمكننا اختيار عنصر يسهل أخذ عيّنة منه، مثل التوزيع الموحّد. من أجل الراحة، تكون المساحة التي يتم أخذ عيّنة من الضجيج منها عادة بأبعاد أصغر من أبعاد مساحة الناتج.
استخدام أداة التمييز لتدريب المنشئ
لتدريب شبكة عصبية، نغيّر قيمة الوزن الشبكي لتقليل الخطأ أو فقدانه. ومع ذلك، في شبكة GAN، لا يكون المنشئ مرتبطًا بشكل مباشر بالخسائر التي نحاول إحداثها. يُدخل المنشئ شبكة الموزِّع وينتج المميِّز الناتج الذي نحاول التأثير عليه. يعاقب الخسارة المولدّة على إنتاج أداة أخذت عيّنة تصنّفها شبكة التمييز على أنها زائفة.
ويجب تضمين هذه المجموعة الإضافية من الشبكة في النشر الخلفي. يتم تعديل الكثافة في كل ظهر بالاستناد إلى الاتجاه الصحيح من خلال حساب تأثير الترجيح على الإخراج، كيف يتغيّر الإخراج إذا غيّرت الوزن. ويعتمد تأثير وزن المولِّد على تأثير وزن أداة التمييز الذي يتغذّى عليه. لذلك يبدأ النشر العكسي من الإخراج ويتدفق مرة أخرى خلال أداة التمييز في المنشئ.
في الوقت نفسه، لا نريد أن نغيّر أداة التمييز أثناء تدريب المنشئ. قد تؤدي محاولة الوصول إلى هدف متحرك إلى صعوبة أكبر على المنشئ.
لذلك، يتم تدريب المنشئ باتّباع الإجراء التالي:
- عيّن عيّنة عشوائية.
- إنتاج مخرجات من عينات عشوائية.
- الحصول على تصنيف وتمييز"واقعي&;;;;;; الجهاز مزيّف;
- حساب الخسارة من تصنيف التمييز.
- يمكن استخدام هذه الميزة من خلال أداة التمييز ومولد الطاقة للحصول على تدرجات.
- يمكنك استخدام التدرجات لتغيير أوزان المولد فقط.
تمثّل هذه السمة تكرارًا لتدريب المنشئ. في القسم التالي، سنتعرّف على كيفية الجمع بين تدريب المنشئ والمميّز.