Auteur : Zen et l'art de la programmation informatique
1. Introduction
La chaleur du deep learning dure depuis plusieurs années et parmi eux, les réseaux de confrontation générative (GAN) sont considérés comme l'une des nouvelles méthodes de deep learning les plus représentatives. Bien que les GAN aient été largement utilisés dans l'image, le texte et d'autres domaines, il existe encore de nombreuses difficultés dans leur processus de formation. Cela oblige les chercheurs à résumer en permanence l'expérience et la méthodologie pour améliorer les performances et l'effet du modèle. Cet article partagera quelques conseils dans le processus d'optimisation et de formation pour DCGAN, un modèle GAN relativement mature à l'heure actuelle.
2. Introduction au modèle GAN
Les réseaux antagonistes génératifs (GAN) sont constitués d'un discriminateur D et d'un générateur G. D est utilisé pour distinguer la différence entre les données réelles et les données générées, et G est la machine qui a généré les données. Les deux se font concurrence, et en ajustant constamment les poids, D peut correctement faire la distinction entre les données réelles et les données générées, afin d'atteindre l'objectif d'apprendre la distribution des données et de générer des données de meilleure qualité. De cette façon, pendant le processus de formation, D et G continueront à jouer à des jeux, et enfin, G générera des échantillons d'images ou de texte de plus en plus réalistes.
Comme le montre la figure ci-dessus, dans le modèle GAN, l'entrée est une image réelle, et la sortie est de savoir si l'image est générée ou réelle, et ces deux tâches sont complétées par le même réseau, à savoir le réseau discriminateur (Discriminator Network) . La tâche du discriminateur est de juger si une image d'entrée donnée est une image légale, appartenant à une "vraie" image, ou une fausse image générée par le générateur, appartenant à une "fausse" image. Au cours du processus de formation, le réseau de discriminateur doit identifier les images réelles et les images fausses générées, et former la capacité à faire de bons jugements. Dans le même temps, afin de garantir que le réseau de générateurs puisse générer de fausses images réalistes, il est également nécessaire de former le réseau de générateurs. On peut voir que le but principal de GAN est de former le réseau de générateurs afin qu'il puisse générer de fausses images réalistes, et faire en sorte que le réseau discriminateur ne fasse la distinction qu'entre les images réelles et