生成对抗网络(甘斯)

生成对抗网络(甘斯)是一种深层神经网络用于生成合成图像。体系结构包括两个深层神经网络,发电机和鉴别器,工作互相(因此,“对抗”)。生成器生成新的数据实例,鉴别器评估的数据真实性和决定是否每个实例的数据从训练数据集,“真正的”或“假”发电机。

发电机和鉴别器训练工作互相直到发电机能够创建现实的合成数据,鉴别器不能确定是假的。成功的培训后,发电机产生的数据可用于创建新的合成数据,潜在的使用其他深层神经网络作为输入。

甘斯是多才多艺的,他们可以学会生成任意数据类型的新实例,如合成图像的脸,新歌在某种风格,或特定类型的文本。

训练一个甘

使用创建合成图像的钱的一个例子,让我们走过甘的特定部分和功能架构。

1. 噪音是送入发生器中。自生成器还没有训练,输出噪声一开始的样子。

2. 训练数据和发电机的输出被发送到鉴频器,这是训练有素的并行识别真/假的图像。初鉴频器的输出将不会非常准确的这一部分网络也被训练和准确性将随着时间改变。

3. 反馈:鉴频器的输出可以反馈到发电机和鉴频器,可以使用这些信息来更新参数,试图提高的精度。

鉴频器的目标,当一个实例的真实数据集,识别那些真实的图像。同时,生成器创建新的、合成图像,通过鉴别器。它希望,他们也将被视为真实的,即使他们是假的。发电机的目标是生成可通行的图片:说谎没有被抓住。鉴频器的目标是识别图像来自发电机是假的。

MATLAB^®和深度学习工具箱™让你使用自动构建甘斯网络体系结构分化,自定义训练循环和共享的权重。

生成对抗的网络的应用程序

笔迹代:与形象的例子一样,甘斯用于创建合成数据。这可以用于补充较小的数据集,需要更多的数据的例子为了训练准确的深度学习模型。一个例子是笔迹检测:为了培养对笔迹深层神经网络,成千上万的需要的训练数据样本,收集这些数据手动可能耗时。

场景一代甘:有条件的甘斯是一个特定类型的利用标签,原来的甘不承担标签将出席。条件甘斯可用于应用程序场景生成等,必须有一定的组织信息。比如说场景生成自动驾驶。道路和人行道上必须坐落在建筑和天空。合成图像创建这个示例不遵守道路的位置将立即被确定为假,无法使用在一个应用程序自动驾驶。

音频和语音应用程序:甘斯也用于应用,如语音合成,语音转换,语音增强。甘斯提供重要的优势传统音频和语音实现可以产生新的样本而不是简单地增加现有的信号。一个例子中,甘斯用于声音合成是创建合成版本鼓的声音:火车生成对抗网络(GAN)合成声音

注意:甘斯可以在生成新的合成数据的使用在许多应用程序中,但它通常是具有挑战性的到达准确的结果由于许多可能发生的失效模式。MATLAB可以让你监测GAN培训进展并确定常见的失效模式。