Autoencoders Adversarial (AAE)

Pengekod auto adversarial ialah model generatif yang menggabungkan pengekod auto dan rangkaian generatif lawan. Idea teras adalah untuk memperkenalkan fungsi kehilangan lawan ke dalam pengekod automatik Dengan mempelajari proses pengekodan dan penyahkodan pada masa yang sama, pengekod automatik boleh mempelajari pengedaran data sebenar dan kemudian menjana data baharu yang realistik. Dengan memperkenalkan fungsi kehilangan lawan, pengekod auto lawan dapat memaksa pengekod untuk mengekod data input ke dalam pengedaran dalam ruang terpendam, dan penyahkod mampu menjana sampel realistik daripada pengedaran ini. Kaedah inovatif ini digabungkan dengan idea rangkaian generatif musuh telah membawa penemuan baru kepada pembangunan model generatif.

Pengekod Auto Adversarial ialah model yang terdiri daripada pengekod, penyahkod dan diskriminasi. Pengekod memetakan data sebenar ke dalam perwakilan vektor bagi ruang terpendam, dan penyahkod memulihkan vektor kepada data asal. Diskriminator digunakan untuk menentukan sama ada vektor yang dijana oleh pengekod adalah data sebenar atau data palsu yang dijana oleh pengekod kendiri. Dengan melatih tiga bahagian ini secara berterusan, pengekod auto lawan dapat menjana data baharu yang realistik. Latihan lawan antara pengekod dan penyahkod membolehkan pengekod mempelajari ciri penting data, manakala diskriminator membimbing proses pembelajaran pengekod dengan membezakan ketulenan. Khususnya, pengekod memetakan data input ke dalam ruang perwakilan dimensi rendah yang menangkap ciri utama data input. Penyahkod memulihkan perwakilan dimensi rendah ini kepada data asal. Pada masa yang sama, diskriminator mempelajari keupayaan untuk membezakan sama ada vektor yang dijana oleh pengekod adalah data sebenar atau data palsu. Dengan latihan berulang secara berterusan, pengekod auto musuh dapat menjana data baharu yang realistik yang secara statistik serupa dari segi ciri dan gaya dengan sebenar

Pengekod auto musuh menjana data dan menggunakan kaedah

Pengekod auto musuh Kaedah penggunaan data adalah dengan menggunakan pengekod untuk memetakan data asal kepada pembolehubah pendam selepas latihan selesai, dan kemudian gunakan penyahkod untuk memulihkan pembolehubah pendam kepada data yang dijana. Langkah-langkah untuk menjana data adalah seperti berikut:

1 Pilih secara rawak beberapa sampel daripada data sebenar dan dapatkan pembolehubah terpendamnya melalui pengekod.

2 Untuk pembolehubah terpendam ini, data baharu dijana melalui penyahkod.

3 Ulangi langkah di atas beberapa kali, dan data baharu yang diperoleh boleh digunakan sebagai output model yang dihasilkan.

Data yang dijana oleh pengekod auto lawan digunakan secara meluas, seperti penjanaan imej, penjanaan video, penjanaan audio, dsb. Antaranya, pengekod auto musuh paling banyak digunakan dalam bidang penjanaan imej dan boleh menghasilkan imej berkualiti tinggi, termasuk pelbagai gambar wajah manusia, haiwan, pemandangan semula jadi, dll. Dari segi penjanaan video, pengekod auto lawan mampu menjana jujukan imej dinamik yang realistik. Dari segi penjanaan audio, pengekod auto lawan mampu menghasilkan pertuturan dan muzik yang realistik. Selain itu, pengekod auto lawan juga boleh digunakan untuk tugas seperti pemulihan imej, peleraian super imej dan pemindahan gaya imej.

Kelebihan pengekod auto musuh

Kelebihan pengekod auto musuh adalah seperti berikut:

1 Boleh menjana data kod pengekod automatik

pengekod automatik berkualiti tinggi. generasi Idea ​rangkaian boleh mempelajari pengagihan data sebenar untuk menjana data baharu yang realistik.

2. Boleh mengelakkan masalah pengekod auto tradisional yang berlebihan

Pengekod auto lawan memperkenalkan fungsi kehilangan lawan, yang boleh mengelakkan masalah pengekod automatik tradisional sambil meningkatkan kepekaan terhadap perubahan bunyi bising .

3. Ciri peringkat tinggi data boleh dipelajari

Pengekod dan penyahkod autopengekod lawan dilaksanakan melalui rangkaian saraf, jadi ciri peringkat tinggi data boleh dipelajari, termasuk bentuk, tekstur , dan warna tunggu.

4. Boleh digunakan pada pelbagai jenis data

Pengekod auto musuh boleh digunakan bukan sahaja untuk penjanaan imej, tetapi juga untuk penjanaan video, penjanaan audio dan jenis data lain.

5 Boleh digunakan untuk peningkatan data

Pengekod auto lawan boleh menjana data baharu dan boleh digunakan untuk peningkatan data untuk meningkatkan keupayaan generalisasi model.

6 Boleh digunakan untuk pembaikan imej, resolusi super imej, penukaran gaya imej dan tugasan lain

Pengekod auto lawan bukan sahaja boleh menjana data baharu, tetapi juga boleh digunakan untuk pembaikan imej, imej super- resolusi, imej Tugas seperti pemindahan gaya mempunyai prospek aplikasi yang luas.

Atas ialah kandungan terperinci Autoencoders Adversarial (AAE). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!