Generative Adversarial Networks
Generative Adversarial NetworksEs handelt sich um eine Methode des unüberwachten Lernens, die dadurch implementiert wird, dass zwei neuronale Netzwerke miteinander konkurrieren. Diese Methode wurde 2014 von Ian Goodfellow vorgeschlagen.
Das generative Adversarial Network besteht aus einem generativen Netzwerk und einem diskriminativen Netzwerk. Das generative Netzwerk verwendet Zufallsstichproben im latenten Raum als Eingabe, und die Ausgabeergebnisse müssen die tatsächlichen Stichproben im Trainingssatz so weit wie möglich imitieren. Die Eingabe des diskriminativen Netzwerks sind die realen Stichproben und die Ausgabe des generativen Netzwerks. Der Zweck besteht darin, die Ausgabe des generativen Netzwerks so weit wie möglich von den tatsächlichen Stichproben zu unterscheiden.
Das generative Netzwerk muss das diskriminative Netzwerk so weit wie möglich täuschen. Die beiden Netzwerke widerstehen einander und passen Parameter ständig an. Das ultimative Ziel besteht darin, das diskriminierende Netzwerk unfähig zu machen, die Authentizität der Ergebnisse zu beurteilen. Generative Adversarial Networks werden häufig zum Generieren realistischer Bilder verwendet und können auch zum Generieren von Videos, dreidimensionalen Objektmodellen usw. verwendet werden.