जनरेटिव एडवांसरियल नेटवर्क्स या GANs एक सामान्य मॉडलिंग दृष्टिकोण का उपयोग कर रहे हैं ध्यान लगा के पढ़ना या सीखना उप-मॉडल दृष्टिकोण का उपयोग करके डेटा उत्पन्न करने के लिए एक चतुर तरीके से मॉडल को प्रशिक्षित करने के लिए। इस लेख में, हम 'व्हाट आर गन्स' को विस्तार से समझने की कोशिश करेंगे। इस लेख में निम्नलिखित विषय शामिल हैं:
- जेनेरिक मॉडल क्या हैं?
- जनरेशनल एडवरसैरियल नेटवर्क क्या हैं?
- जनरेशन एडवांसरियल नेटवर्क की चुनौतियां?
- जनरेटिव एडवरसियरी नेटवर्क एप्लिकेशन
जेनेरिक मॉडल क्या हैं?
जेनेरिक मॉडल और कुछ नहीं बल्कि वे मॉडल हैं जो एक का उपयोग करते हैं दृष्टिकोण। एक जेनरेटिव मॉडल में, डेटा यानी इनपुट वैरिएबल X में नमूने होते हैं, लेकिन इसमें आउटपुट वेरिएबल Y का अभाव होता है। जेनेरेटिव मॉडल को प्रशिक्षित करने के लिए हम केवल इनपुट वेरिएबल्स का उपयोग करते हैं और यह एक आउटपुट उत्पन्न करने के लिए इनपुट वैरिएबल से पैटर्न को पहचानता है जो अज्ञात है और केवल प्रशिक्षण डेटा के आधार पर।
में , हम इनपुट चर से भविष्य कहनेवाला मॉडल बनाने की दिशा में अधिक संरेखित हैं, इस प्रकार के मॉडलिंग को विवेकशील मॉडलिंग के रूप में जाना जाता है। एक वर्गीकरण समस्या में, मॉडल को भेदभाव करना पड़ता है कि उदाहरण किस वर्ग का है। दूसरी ओर, इनपुट वितरण में नए उदाहरणों को बनाने या उत्पन्न करने के लिए अप्रकाशित मॉडल का उपयोग किया जाता है।
आम आदमी के सामान्य मॉडल को हम कह सकते हैं, जेनेरेटिव मॉडल, नमूने से नए उदाहरण उत्पन्न करने में सक्षम हैं जो न केवल अन्य उदाहरणों के समान हैं, बल्कि अप्रभेद्य भी हैं।
जेनेरिक मॉडल का सबसे आम उदाहरण है जो अधिक बार एक भेदभावपूर्ण मॉडल के रूप में उपयोग किया जाता है। जेनरेटिव मॉडल के अन्य उदाहरणों में गॉसियन मिक्सचर मॉडल और एक आधुनिक उदाहरण शामिल है जो कि जनरल एडवरसियर नेटवर्क है। आइए हम यह समझने की कोशिश करें कि गण क्या हैं?
जनरेशनल एडवरसैरियल नेटवर्क क्या हैं?
जनरेटिव एडवांसरियल नेटवर्क्स या GAN एक डीप-लर्निंग-आधारित जनरेटिव मॉडल है, जो अनसुप्रोस्ड लर्निंग के लिए उपयोग किया जाता है। यह मूल रूप से एक प्रणाली है जहां दो प्रतिस्पर्धा होती है तंत्रिका - तंत्र डेटा में विविधताएं बनाने या उत्पन्न करने के लिए एक-दूसरे के साथ प्रतिस्पर्धा करें।
इसे पहली बार 2014 में इयान गुडफेलो द्वारा एक पेपर में वर्णित किया गया था और 2016 में एलेक रेडफोर्ड द्वारा एक मानकीकृत और बहुत ही स्थिर मॉडल सिद्धांत प्रस्तावित किया गया था जिसे डीसीजीएएन (डीप कन्वीन्यूशनल जनरल एडवरसियर नेटवर्क्स) के रूप में जाना जाता है। आज अधिकांश गण अस्तित्व में DCGAN वास्तुकला का उपयोग करते हैं।
GANs वास्तुकला में दो उप-मॉडल शामिल हैं जिन्हें जाना जाता है जेनरेटर मॉडल और यह भेदभाव करनेवाला मॉडल। आइए हम यह समझने की कोशिश करें कि वास्तव में GAN कैसे काम करते हैं।
यह कैसे काम करता है?
यह समझने के लिए कि GAN कैसे काम करता है, इसे टूटने दें।
- पीढ़ी - इसका मतलब है कि मॉडल इस प्रकार है दृष्टिकोण और एक सामान्य मॉडल है।
- सलाहकार - मॉडल को एक प्रतिकूल सेटिंग में प्रशिक्षित किया गया है
- नेटवर्क - मॉडल के प्रशिक्षण के लिए, तंत्रिका नेटवर्क का उपयोग आर्टिफिशियल इंटेलिजेंस एल्गोरिदम के रूप में करता है।
GANs में, एक जनरेटर नेटवर्क होता है जो एक नमूना लेता है और डेटा का एक नमूना उत्पन्न करता है, और इसके बाद, डिस्क्रिमिनेटर नेटवर्क यह तय करता है कि डेटा बाइनरी का उपयोग करके वास्तविक नमूना से उत्पन्न या लिया गया है या नहीं एक सिग्मॉइड फ़ंक्शन की मदद से समस्या जो आउटपुट को 0 से 1 की सीमा में देती है।
जेनेरेटिव मॉडल डेटा के वितरण का इस तरह से विश्लेषण करता है कि प्रशिक्षण चरण के बाद, गलती करने वाले विभेदक की संभावना अधिकतम हो जाती है। और दूसरी ओर, डिस्क्रिमिनेटर एक मॉडल पर आधारित है, जो इस संभावना का अनुमान लगाएगा कि नमूना वास्तविक डेटा से आ रहा है न कि जनरेटर से।
पूरी प्रक्रिया को नीचे दिए गए गणितीय सूत्र में औपचारिक रूप दिया जा सकता है।
उपरोक्त सूत्र में:
जी = जनरेटर
डी = भेदभाव करनेवाला
Pdata (x) = वास्तविक डेटा का वितरण
शुरुआती पीडीएफ के लिए salesforce डेवलपर ट्यूटोरियल
पादाता (z) = जनरेटर का वितरक
x = वास्तविक डेटा से नमूना
z = जनरेटर से नमूना
D (x) = डिस्क्रिमिनेटर नेटवर्क
जी (z) = जनरेटर नेटवर्क
अब एक गण के लिए प्रशिक्षण भाग आता है, जिसे आगे 2 भागों में विभाजित किया जा सकता है जो क्रमिक रूप से किया जाता है।
कैसे एक गण को प्रशिक्षित करने के लिए?
भाग 1:
डिस्क्रिमिनेटर को प्रशिक्षित करें और जनरेटर को फ्रीज करें, जिसका मतलब है कि जनरेटर के लिए प्रशिक्षण सेट को गलत के रूप में बदल दिया गया है और नेटवर्क केवल फॉरवर्ड पास करेगा और कोई भी बैक-प्रचार लागू नहीं किया जाएगा।
गोटो सी ++ उदाहरण
मूल रूप से विवेचक को वास्तविक डेटा के साथ प्रशिक्षित किया जाता है और यह जांचता है कि क्या यह उन्हें सही अनुमान लगा सकता है, और नकली डेटा के साथ उन्हें नकली के रूप में पहचानने के लिए।
भाग 2:
जनरेटर को प्रशिक्षित करें और विवेचक को फ्रीज करें। इस चरण में, हम पहले चरण से परिणाम प्राप्त करते हैं और उन्हें पिछले राज्य से बेहतर बनाने के लिए और विवेकशील बेहतर को मूर्ख बनाने के लिए उपयोग कर सकते हैं।
प्रशिक्षण के लिए कदम
- समस्या को परिभाषित करें - समस्या को परिभाषित करें और डेटा एकत्र करें।
- GAN का आर्किटेक्चर चुनें - आपकी समस्या पर निर्भर करता है कि आपका GAN कैसा दिखना चाहिए।
- असली डेटा पर ट्रेन डिस्क्रिमिनेटर - वास्तविक डेटा के साथ भेदभाव करने वाले को n की संख्या के लिए वास्तविक रूप में भविष्यवाणी करने के लिए प्रशिक्षित करें।
- जनरेटर के लिए नकली इनपुट उत्पन्न करें - जनरेटर से नकली नमूने तैयार करें
- फेक डेटा पर ट्रेन डिस्क्रिमिनेटर - उत्पन्न डेटा को नकली के रूप में अनुमान लगाने के लिए विवेचक को प्रशिक्षित करें।
- डिस्क्रिमिनेटर के आउटपुट के साथ ट्रेन जेनरेटर - विवेचक पूर्वानुमान प्राप्त करने के बाद, विवेचक को मूर्ख बनाने के लिए जनरेटर को प्रशिक्षित करें
जनरेशनल एडवरसरी नेटवर्क की चुनौतियां
GANs की अवधारणा बल्कि आकर्षक है लेकिन बहुत सारे झटके हैं जो इसके मार्ग में बहुत अधिक बाधा उत्पन्न कर सकते हैं। GAN द्वारा सामना की जाने वाली कुछ प्रमुख चुनौतियाँ हैं:
- स्थिरता भेदभावकर्ता और जनरेटर के बीच की आवश्यकता है अन्यथा पूरा नेटवर्क गिर जाएगा। यदि डिस्क्रिमिनेटर बहुत शक्तिशाली है, तो जनरेटर पूरी तरह से प्रशिक्षित करने में विफल हो जाएगा। और यदि नेटवर्क बहुत ज्यादा कमजोर है, तो किसी भी छवि को नेटवर्क बेकार बना दिया जाएगा।
- गण निर्धारित करने में बुरी तरह विफल रहे वस्तुओं की स्थिति वस्तु उस स्थान पर कितनी बार होनी चाहिए।
- 3-डी परिप्रेक्ष्य GAN को परेशान करता है क्योंकि यह समझने में सक्षम नहीं है परिप्रेक्ष्य , यह अक्सर 3-डी ऑब्जेक्ट के लिए एक सपाट छवि देगा।
- GAN को समझने में समस्या है वैश्विक वस्तुएं । यह एक समग्र संरचना को अलग या समझ नहीं सकता है।
- नए प्रकार के गण अधिक उन्नत हैं और इन कमियों को पूरी तरह से दूर करने की उम्मीद है।
जनरेटिव एडवरसैरियल नेटवर्क एप्लिकेशन
निम्नलिखित GANs के कुछ अनुप्रयोग हैं।
एक वीडियो में अगले फ्रेम की भविष्यवाणी
वीडियो फ्रेम में भविष्य की घटनाओं की भविष्यवाणी GANs की मदद से संभव की गई है। DVD-GAN या दोहरे वीडियो डिस्क्रिमिनेटर GAN लंबाई में 48 फ्रेम तक उल्लेखनीय निष्ठा के 256 × 256 वीडियो उत्पन्न कर सकते हैं। इसका उपयोग निगरानी सहित विभिन्न उद्देश्यों के लिए किया जा सकता है जिसमें हम एक फ्रेम में गतिविधियों को निर्धारित कर सकते हैं जो बारिश, धूल, धुएं, आदि जैसे अन्य कारकों के कारण विकृत हो जाते हैं।
छवि निर्माण के लिए पाठ
ऑब्जेक्ट-चालित चौकस गण (obj-GAN), दो चरणों में पाठ से छवि संश्लेषण करता है। सिमेंटिक लेआउट उत्पन्न करना प्रारंभिक चरण है और फिर डी-कंसेंटुअल इमेज जनरेटर का उपयोग करके छवि को संश्लेषित करके छवि उत्पन्न करना अंतिम चरण है।
सॉर्टिंग एल्गोरिथ्म का उपयोग ________ क्रम में ________ के सेट को व्यवस्थित करने के लिए किया जा सकता है।
यह कैप्शन, लेआउट और शब्दों को परिष्कृत करके विवरणों को समझने के द्वारा छवियों को उत्पन्न करने के लिए तीव्रता से उपयोग किया जा सकता है। StoryGANs के बारे में एक और अध्ययन है जो पूरे स्टोरीबोर्ड को मात्र पैराग्राफ से संश्लेषित कर सकता है।
एक छवि का संकल्प बढ़ाना
सुपर-रिज़ॉल्यूशन जेनेरिक एडवरसैरियल नेटवर्क या एसआरजीएएन एक जीएएन है जो कम-रिज़ॉल्यूशन वाली छवियों से बेहतर विवरण और बेहतर गुणवत्ता के साथ सुपर-रिज़ॉल्यूशन छवियां उत्पन्न कर सकता है।
अनुप्रयोग अपार हो सकते हैं, कम रिज़ॉल्यूशन की छवि से उत्पन्न महीन विवरण के साथ उच्च गुणवत्ता वाली छवि की कल्पना कर सकते हैं। कम-रिज़ॉल्यूशन छवियों में विवरण की पहचान करने में मदद की मात्रा का उपयोग निगरानी, प्रलेखन, सुरक्षा, पता लगाने के पैटर्न आदि सहित व्यापक उद्देश्यों के लिए किया जा सकता है।
छवि अनुवाद करने के लिए छवि
Pix2Pix GAN एक मॉडल है जिसे सामान्य प्रयोजन छवि-छवि-अनुवाद के लिए डिज़ाइन किया गया है।
इंटरएक्टिव इमेज जनरेशन
GANs का उपयोग इंटरैक्टिव छवियों को उत्पन्न करने के लिए भी किया जा सकता है, कंप्यूटर विज्ञान और कृत्रिम बुद्धिमत्ता प्रयोगशाला (CSAIL) ने एक GAN विकसित किया है जो आकृति और बनावट संपादन द्वारा सक्षम यथार्थवादी प्रकाश और प्रतिबिंबों के साथ 3-D मॉडल उत्पन्न कर सकता है।
अभी हाल ही में, शोधकर्ताओं ने एक ऐसा मॉडल पेश किया है जो एक ही समय में चेहरे की उपस्थिति को संरक्षित करते हुए किसी व्यक्ति के आंदोलन द्वारा एनिमेटेड चेहरे को फिर से सक्रिय कर सकता है।
यह हमें इस लेख के अंत में लाता है जहाँ हमने सीखा है Are व्हाट आर गन्स ”। मुझे आशा है कि आप इस ट्यूटोरियल में आपके साथ साझा किए गए सभी के साथ स्पष्ट हैं।
यदि आपको यह लेख 'व्हाट आर गन्स' प्रासंगिक है, तो देखें दुनिया भर में फैले 250,000 से अधिक संतुष्ट शिक्षार्थियों के नेटवर्क के साथ एक विश्वसनीय ऑनलाइन शिक्षण कंपनी।
हम यहां आपकी यात्रा में हर कदम पर आपकी मदद करने के लिए हैं और एक पाठ्यक्रम के साथ आते हैं जो छात्रों और पेशेवरों के लिए बनाया गया है जो बनना चाहते हैं । पाठ्यक्रम आपको पायथन प्रोग्रामिंग में एक शुरुआत देने के लिए डिज़ाइन किया गया है और आपको विभिन्न प्रकार के साथ कोर और उन्नत पायथन अवधारणाओं के लिए प्रशिक्षित करता है। पसंद
यदि आपको कोई प्रश्न आता है, तो 'व्हाट आर गन्स' के टिप्पणी अनुभाग में अपने सभी प्रश्न पूछने के लिए स्वतंत्र महसूस करें और हमारी टीम जवाब देने में प्रसन्न होगी।