เนื่องจาก GAN มีเครือข่ายที่ฝึกแยกกัน 2 เครือข่าย อัลกอริทึมการฝึกจะต้องจัดการกับข้อมูลแทรก 2 อย่าง ได้แก่
- GAN ต้องฝึกการฝึกอบรม 2 ประเภท (เครื่องมือสร้างและการเลือกปฏิบัติ)
- ระบุความไม่สอดคล้องกันของ GAN ได้ยาก
การฝึกอบรมการสลับ
โปรแกรมสร้างและใช้งานจริงแบ่งกระบวนการฝึกอบรมแตกต่างกัน เราจะฝึก GAN โดยรวมได้อย่างไร
การฝึกอบรม GAN ดําเนินการสลับระยะเวลาที่:
- อุปกรณ์แบ่งแยกการฝึกจะฝึก Epoch อย่างน้อย 1 เครื่อง
- โปรแกรมสร้างโปรแกรมจะฝึก Epoch อย่างน้อย 1 รายการ
- ทําขั้นตอนที่ 1 และ 2 ซ้ําเพื่อฝึกเครือข่ายสําหรับสร้างและแบ่งแยก
เราคอยดูแลเครื่องกําเนิดไฟฟ้าให้คงที่ในช่วงการฝึกการเลือกปฏิบัติ เมื่อการฝึกอบรมการเลือกปฏิบัติพยายามที่จะหาวิธีแยกข้อมูลจริงออกจากการหลอกลวง ต้องเรียนรู้วิธีหาข้อบกพร่องของตัวสร้าง นั่นคือปัญหาสําหรับเครื่องกําเนิดไฟฟ้าที่ผ่านการฝึกอบรมอย่างละเอียด ซึ่งแตกต่างจากปัญหาสําหรับเครื่องกําเนิดไฟฟ้าที่ไม่ได้รับการฝึกผลิตผลแบบสุ่ม
ในทํานองเดียวกัน เราแบ่งแยกเส้นแบ่งให้อยู่ตลอดในระหว่างขั้นตอนการฝึกของเครื่องมือสร้าง มิเช่นนั้น โปรแกรมพยายามจะบรรลุเป้าหมายที่ไม่เคลื่อนที่ และอาจไม่มีทางมาบรรจบกัน
ซึ่งเป็นการสลับไปมาเพื่อให้ GAN สามารถรับมือกับปัญหาการสร้างที่ไม่น่ามอง เราทราบถึงปัญหาในการสร้างปัญหาเบื้องต้นที่ยากขึ้นอีกโดยเริ่มจากปัญหาการแยกประเภทที่ง่ายขึ้น ในทางกลับกัน หากคุณฝึกตัวแยกประเภทเพื่อบอกความแตกต่างระหว่างข้อมูลจริงกับข้อมูลที่สร้างขึ้นไม่ได้ แม้ในผลลัพธ์ของโปรแกรมสร้างแบบสุ่มเริ่มต้น คุณจะเริ่มต้นการฝึก GAN ไม่ได้
การบรรจบกัน
เมื่อโปรแกรมสร้างโปรแกรมทํางานได้ดีขึ้นด้วยการฝึกอบรม เครื่องมือแบ่งแยกจะให้ผลดีกว่าเนื่องจากเครื่องมือแยกแยะไม่สามารถแยกความแตกต่างระหว่างของจริงกับของปลอมได้ง่าย หากโปรแกรมสร้างความสําเร็จอย่างสมบูรณ์แล้ว เส้นแบ่งต้องมีความแม่นยํา 50% ที่จริง การเลือกปฏิบัติจะโยนหัวก้อยเพื่อคาดเดา
ความคืบหน้านี้ก่อให้เกิดปัญหาการบรรจบของ GAN โดยรวม เพราะความคิดเห็นเกี่ยวกับการเลือกปฏิบัติมีความหมายน้อยลงเมื่อเวลาผ่านไป หาก GAN ยังคงฝึกปฏิบัติจนเลยเลิกการแบ่งแยกให้ความคิดเห็นแบบสุ่มทั้งหมด โปรแกรมสร้างโปรแกรมจะเริ่มฝึกความคิดเห็นแบบขยะ และคุณภาพของบริการอาจลดลง
สําหรับ GAN นั้น Conversion ของ Conversion มักเป็นสถานะที่ปรากฏชั่วครู่แทนที่จะเป็นสถานะคงที่