Tag: neural network

介绍 在人工智能时代，一个引人注目的现象正在发生——生成对抗网络（GANs）巧妙地创建了人工名人身份。这种科技与创意的有趣融合，催生出了一种全新的数字名人。加入我们，一起探索GANs的世界，揭开创造迷人虚拟身份的魔力。GANs是如何实现这一切的？让我们来探索这个数字艺术背后的秘密。 来源：Hello Future 学习目标 在本文中，我们将学习： 生成对抗网络（GANs）的概念 如何训练生成器和判别器？ 实施GAN模型的逐步过程 通过对抗训练获取GANs随时间改进的见解 本文是数据科学博文马拉松的一部分。 生成对抗网络（GAN） 生成对抗网络（GAN）是由Goodfellow提出的深度学习模型。从名称就可以理解GAN的目的。是的！我们用它来生成东西。它是一个生成数据的网络。这些数据包括图像、文本、音频等等，与真实世界数据相似。GAN包含两个神经网络，它们被称为生成器和判别器。在训练过程中，这两个网络相互竞争，不断提高自己。 生成器是什么？ 生成器是负责生成的神经网络。为了输出结果，它需要输入。生成器所接受的输入是一些随机噪声。生成器将这些随机噪声转化为与真实数据相似的输出。每次从判别器那里得到反馈后，它都会不断改善自己，并在下一次生成更好的数据。例如，以图像生成为例，生成器会生成图像。随着训练的进行，它从随机噪声开始，最终改进输出，使其越来越逼真。第一次可能不会产生与原始数据最相似的输出。有时它甚至生成根本不是图像的东西。随着训练的进行，会生成更准确的数据。 判别器是什么？ 判别器是负责评估的神经网络。为了更易于理解，我们可以把它称为侦探。判别器同时接收由生成器生成的真实数据和伪造数据。它必须区分伪造数据和真实数据。简单来说，它包括将实际数据与伪造数据进行分类。和生成器一样，随着训练的进行，判别器能够越来越好地区分它们。在第一次尝试时可能无法表现出最佳结果。但在训练过程中，它会不断提高，最终能够正确区分大部分伪造数据。正如我所说的，它必须像一个侦探一样工作。 对抗训练 生成器和判别器都要经历训练，这称为对抗训练。正如我之前提到的，它们会进行竞争性的训练。我们知道生成器生成的伪造数据看起来像真实数据，而判别器则试图区分伪造数据。在训练过程的下一步中，生成器旨在改善并生成能够欺骗判别器的伪造数据。然后判别器会检测到这些伪造数据。这样一来，它们在各自的任务中不断提高。该过程将持续进行，直到生成器生成的数据非常逼真且判别器无法与真实数据区分。此时，GAN达到了一种平衡状态，生成的数据非常类似于真实数据。 实施 让我们首先导入所有必要的库。这主要包括一些torch模块。我们将使用matplotlib进行可视化。 from __future__ import print_function%matplotlib…