Rete Generativa Avversaria: differenze tra le versioni
m (Alesaccoia ha spostato la pagina Generative Adversarial Networks (GAN) a Rete Generativa Avversaria) |
Nessun oggetto della modifica |
||
(2 versioni intermedie di un altro utente non mostrate) | |||
Riga 4: | Riga 4: | ||
|AnnoDiCreazione=2014 | |AnnoDiCreazione=2014 | ||
|Pubblicazione=Generative Adversarial Nets | |Pubblicazione=Generative Adversarial Nets | ||
|Topic=immagini,generazione | |URLHomePage=https://arxiv.org/pdf/1406.2661.pdf | ||
|Topic=immagini, generazione | |||
}} | }} | ||
Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli: | Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli: | ||
Riga 35: | Riga 36: | ||
[[Category:architettura]] | [[Category:architettura]] | ||
{{#seo: | |||
|title=Generative Adversarial Network | |||
|title_mode=append | |||
|keywords=rete neurale, apprendimento automatico, intelligenza artificiale, GAN, generazione immagini, modello generativo, modello discriminativo, spazio latente, rumore, CNN, entropia incrociata | |||
|description=Un'architettura di rete neurale generativa che utilizza un processo "adversarial" per allenare contemporaneamente due modelli: un modello generativo e un modello discriminativo. Scopri come funziona e le sue applicazioni. | |||
|image=Generativa Adversarial Network (GAN).png | |||
}} |
Versione attuale delle 13:34, 17 ago 2024
Rete Generativa Avversaria | |
---|---|
Nome Inglese | Generative Adversarial Network |
Sigla | GAN |
Anno Di Creazione | 2014 |
Pubblicazione | Generative Adversarial Nets |
URL | https://arxiv.org/pdf/1406.2661.pdf |
Topic | immagini, generazione |
Un'architettura di rete neurale generativa in cui si utilizza un processo di tipo "adversarial", in cui vengono contemporaneamente allenati due modelli:
- un modello generativo G che cattura la distribuzione dei dati di training
- un modello discriminativo D che stima la probabilità che un campione provenga dal dataset di training piuttosto che da G
L'addestramento massimizza la probabilità che D faccia un'errore di discriminazione, quindi massimizzando la "bravura" di G nel creare dei falsi realistici.
Funzionamento
L'addestramento del modello cerca di insegnare al Generatore a scalare e traslare i dati contenuti nel vettore di rumore dato in input, la cui lunghezza (spesso da 100 a 512 punti) rappresenta la dimensione dello spazio latente e quindi la capacità della rete di imparare i dettaglio più fini del dataset di training (normalmente rappresentante una classe di immagini omogenea), verso il "manifold" che rappresenta la distribuzione di probabilità dei campioni veri.
Partendo dal vettore di input, il generatore applica delle funzionin non lineari di up-scaling per aumentare il numero di dimensioni.
Il Discriminatore, invece, impara in modo supervisionato a riconoscere i campioni veri da quelli finti, e ha come output una sola classe, la probabilità che essi siano veri: per questo è normalmente implementato come una delle classiche CNN che sono in letteratura.
La loss del generatore è l' entropia incrociata fra il risultato del Discriminatore e un vettore di uno.

Links
Generative Adversarial Nets, Goodfellow et al, 2014
"A Style-Based Generator Architecture for Generative Adversarial Networks"
"Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks"
GAN Lab - Play with Generative Adversarial Networks (GANs) in your browser