Я читаю о порождающих состязательных сетях (GAN), и у меня есть некоторые сомнения относительно этого. До сих пор я понимаю, что в GAN существует два разных типа нейронных сетей: один является порождающим ( ), а другой - дискриминационным ( ). Генеративная нейронная сеть генерирует некоторые данные, которые дискриминационная нейронная сеть оценивает на правильность. GAN обучается, передавая функцию потерь в обе сети.$G$$D$

Как дискриминационные ( ) нейронные сети изначально узнают, правильны ли данные, полученные с помощью или нет? Нужно ли сначала тренировать затем добавить его в GAN с помощью ?$D$$G$$D$$G$

Давайте рассмотрим мою обученную сеть, которая может классифицировать изображение с точностью 90%. Если мы добавим эту сеть в GAN, есть 10% -ная вероятность, что изображение будет неправильно классифицировано. Если мы обучим GAN с помощью этой сети, то будет ли она иметь ту же ошибку в 10% при классификации изображения? Если да, то почему GAN показывают многообещающие результаты?$D$$D$$D$

Сравните сгенерированные и реальные данные

Все результаты, полученные G, всегда считаются «неправильными» по определению, даже для очень хорошего генератора.

Вы предоставляете дискриминирующую нейронную сеть с набором результатов, сгенерированных сетью генератора и реальных результатов из внешнего источника, а затем вы обучаете его различать, был ли результат получен генератором или нет - вы не сравниваете » Хорошие и плохие результаты, вы сравниваете реальные и полученные результаты.$D$$G$

Это приведет к «взаимному развитию», так как научится находить функции, которые отделяют реальные результаты от сгенерированных, а научится создавать результаты, которые трудно отличить от реальных данных.$D$$G$

Дискриминационная сеть ( ) учится на дискриминацию по определению - мы обеспечиваем его с истинным и сгенерированными данными, и пусть это научиться самостоятельно , как различать между ними.$D$

Поэтому мы ожидаем, что сеть улучшит способность сети генерировать все лучшие и лучшие изображения (или другие виды данных), поскольку она пытается «обмануть» сеть , создавая новые данные, которые больше похожи на «реальные данные». Речь идет не о точности сети на всех. Речь идет не об улучшении точности , а об улучшении способности компьютера генерировать более «правдоподобные» данные.$D$$G$$D$$D$

Тем не менее, использование этого сценария может быть хорошим «неконтролируемым» способом улучшить классификационные возможности нейронных сетей, поскольку это заставляет модель генератора изучать лучшие свойства реальных данных и узнавать, как различать реальные характеристики и шум, используя гораздо меньше данных, необходимых для традиционной схемы обучения под наблюдением.