GAN には 2 つの別個のトレーニング済みネットワークが含まれているため、トレーニング アルゴリズムは 2 つのウォッチフェイスの追加機能に対応する必要があります。
- GAN では、2 種類のトレーニング（ジェネレータとディスリミネータ）を調整する必要があります。
- GAN 収束は難しいものです。
代替トレーニング
ジェネレータとディスクリミネータのトレーニング プロセスは異なります。では、GAN 全体をどのようにトレーニングすればよいのでしょうか。
GAN トレーニングは次のような期間を経て続行されます。
- 事業者は 1 つ以上のエポックをトレーニングします。
- このツールは、1 つ以上のエポックのトレーニングを行います。
- 手順 1 と 2 を繰り返して、ジェネレータ ネットワークと判別ネットワークをトレーニングします。
識別器のトレーニング フェーズの間、発電機を一定に保ちます。判別器トレーニングでは、実際のデータと架空のデータを区別する方法を見極めるため、ジェネレータの欠陥を認識する方法を学習する必要があります。これは、完全にトレーニングされた生成ツールの場合と、ランダムな出力を生成するトレーニングされていない生成ツールの問題とは異なります。
同様に、Google では発電機トレーニング フェーズ中、判別器を一定に保っています。そうしないと、ジェネレータは移動ターゲットに到達しようとし、収束することはありません。
GAN を使用することで、GAN は比較的困難な生成に関する問題に何度も対応できるようになります。生成に関する難しい問題については、まず、もっと簡単な分類問題から始めます。逆に、最初のランダム生成ツールの出力であっても、実際のデータと生成されたデータの違いを識別する分類器をトレーニングできない場合は、GAN トレーニングを開始できません。
融合
ジェネレータがトレーニングで改善されるにつれて、判別器のパフォーマンスは悪化します。なぜなら、識別器は実際のものと偽のものを簡単に区別できないためです。ジェネレータが成功すると、分散処理の精度が 50% になります。実際には、判別器はコインを反転させて予測を行います。
この進行は、GAN 全体の収束に問題を引き起こします。つまり、時間の経過とともに、基準値フィードバックの有意性が低下します。検証ツールが完全なランダム フィードバックを行う時点から GAN がトレーニングを続けると、生成ツールがジャンク フィードバックのトレーニングを開始し、品質が低下する可能性があります。
GAN では、多くの場合、収束は安定ではなく短時間の状態です。