Pengantar Singkat Generative Adversarial Networks (GANs) – Menuju AI – Teknologi, Sains, dan Teknik Terbaik

Pengarang: Mugunthan

Pembelajaran mesin

General Adversarial Network (GAN) adalah pendekatan pemodelan generatif menggunakan jaringan saraf deep learning seperti CNN.

Ada dua jenis teknik pemodelan, i) pemodelan diskriminatif dan ii) pemodelan generatif. Model diskriminatif adalah model khas yang digunakan untuk klasifikasi dalam pembelajaran mesin. Mereka mengambil input sebagai fitur X (gambar, untuk klasifikasi gambar) dan memprediksi output Y (probabilitas gambar) untuk fitur yang diberikan. Di sisi lain, keluaran model generatif menampilkan X (gambar) yang diberi nilai acak.

Beberapa model generatif adalah Latent Dirichlet Allocation, atau LDA, dan Gaussian Mixture Model, atau GMM. Beberapa model generatif Deep Learning adalah Variational Autoencoder atau VAE, General Adversarial Network, atau GAN.

Representasi sederhana dari karya GAN

Bagaimana cara kerja GAN?

GAN terdiri dari dua blok, generator, dan diskriminator. Diskriminator adalah jaringan terlatih yang akan dapat membedakan antara gambar asli dan palsu, sedangkan generator tidak terlatih. Menggunakan nilai acak, generator akan menghasilkan gambar yang kemudian diumpankan ke diskriminator. Kemudian diskriminator akan memberikan seberapa palsu/nyata gambar yang dihasilkan. Ini membantu generator untuk menyempurnakan generasi gambar berikutnya, akhirnya menghasilkan gambar palsu yang tidak dapat dibedakan.

Dengan namanya, Anda dapat melihat generator dan diskriminator saling bertentangan untuk menghasilkan gambar baru.

Berikut adalah Gambar yang dibuat oleh GAN yang dibuat oleh NVIDIA

Gambar-gambar ini adalah wajah yang bukan milik siapa pun, tetapi dibuat oleh GAN !.

Semoga blog ini setidaknya menjelaskan apa itu GAN?

Pengantar Singkat untuk Generative Adversarial Networks (GANs) awalnya diterbitkan di Towards AI on Medium, di mana orang-orang melanjutkan percakapan dengan menyoroti dan menanggapi cerita ini.

Diterbitkan melalui Menuju AI