生成对抗网络(GANs)

生成对抗网络(GANs)是一种用于生成合成图像的深度神经网络。该体系结构包括两个深度神经网络,一个生成器和一个鉴别器,它们相互对抗(因此,“对抗”)。生成器生成新的数据实例,而鉴别器评估数据的真实性,并决定每个数据实例是来自训练数据集的“真实的”还是来自生成器的“假的”。

生成器和鉴别器一起接受训练,以便相互对抗,直到生成器能够创建真实的合成数据,从而鉴别器不能再确定它是假的。训练成功后,生成器产生的数据可以用来创建新的合成数据,作为其他深度神经网络的潜在输入。

GANs是万能的,因为它们可以学习生成任何数据类型的新实例,例如人脸合成图像、特定风格的新歌或特定类型的文本。

训练一个甘

通过一个创建货币合成图像的示例,让我们了解GAN体系结构的具体部分和功能。

  1. 噪音被输入发电机。由于生成器还没有经过训练,输出在一开始看起来像噪音。
gna-discovery-page-fig1
  1. 训练数据和生成器的输出被发送到鉴别器,它被并行训练以识别真假图像。鉴别器在开始时的输出不会非常准确,因为这部分网络也在接受训练,准确性会随着时间的推移而提高。
gna-discovery-page-fig2
  1. 反馈:鉴别器的输出可以反馈给生成器和鉴别器,后者可以使用这些信息更新参数并试图提高精度。
gna-discovery-page-fig3

当显示来自真实数据集的实例时,鉴别器的目标是识别那些真实的图像。与此同时,生成器正在生成新的合成图像,并将其传递给鉴别器。它这样做是希望它们也会被认为是真实的,即使它们是假的。生成器的目标是生成可通过的图像:撒谎而不被发现。鉴别器的目标是将来自生成器的图像识别为假的。

MATLAB®而且深度学习工具箱™让你使用自动区分来构建GANs网络架构,自定义训练循环,以及共享权重。

生成对抗网络的应用

笔迹代:与图像示例一样,使用GANs创建合成数据。这可以用来补充需要更多数据示例的小型数据集,以便训练精确的深度学习模型。一个例子是笔迹检测:为了训练一个关于笔迹的深度神经网络,需要成千上万的训练数据样本,而手动收集这些数据可能会耗费大量时间。

使用GANs合成手写。

使用GANs合成手写。

场景一代:条件GAN是一种利用标签的特定类型GAN,而原始GAN不假设标签会出现。条件gan可用于场景生成等应用程序,在这些应用程序中,必须对信息进行一定的组织。以自动驾驶场景生成为例。道路和人行道必须位于建筑物和天空以下。为本例创建的合成图像如果不符合道路的位置,将立即被确定为伪造的,无法在自动驾驶应用程序中使用。

使用条件gan的图像到图像的转换(pix2pix)。

使用条件gan的图像到图像的转换(pix2pix)。

音频和语音应用: GANs还可用于文本到语音合成、语音转换和语音增强等应用。与传统的音频和语音实现相比,GANs具有显著的优势,因为它们可以生成新的样本,而不是简单地增强现有的信号。GANs用于声音合成的一个例子是创建合成版本的鼓声:训练生成对抗网络(GAN)用于声音合成

注意:GANs在生成用于许多应用程序的新合成数据方面功能强大,但由于可能发生许多故障模式,通常很难获得准确的结果。MATLAB可以让你监控GAN训练进度,识别常见故障模式

Baidu
map