Finom bevezetés a generatív adverzális hálózatokba (GAN-ok)

Most frissítve: 2019. július 19.

A generatív adverzális hálózatok, vagy röviden GAN-ok a generatív modellezés olyan mély tanulási módszerek, mint például a konvolúciós neurális hálózatok segítségével történő megközelítése.

A generatív modellezés egy felügyelet nélküli tanulási feladat a gépi tanulásban, amely a bemeneti adatokban lévő szabályszerűségek vagy minták automatikus felfedezését és megtanulását jelenti oly módon, hogy a modell segítségével olyan új példák generálhatók vagy adhatók ki, amelyek hihetőleg az eredeti adathalmazból származhatnak.

A GAN-ok egy okos módja a generatív modell képzésének azáltal, hogy a problémát felügyelt tanulási problémaként fogalmazzák meg, két almodellel: a generátor modellel, amelyet új példák generálására képezünk, és a diszkriminátor modellel, amely megpróbálja a példákat valódi (a tartományból származó) vagy hamis (generált) példákként osztályozni. A két modellt együtt képezzük egy zéróösszegű, ellenséges játékban, amíg a diszkriminátor modell körülbelül az idő felében becsapódik, ami azt jelenti, hogy a generátor modell plauzibilis példákat generál.

A GAN-ok izgalmas és gyorsan változó területet jelentenek, és beváltják a generatív modellek ígéretét, mivel számos problématerületen képesek valósághű példákat generálni, leginkább a kép-kép fordítási feladatokban, például a nyárról télre vagy nappalról éjszakára történő fordításban, valamint a tárgyakról, jelenetekről és emberekről készült fotórealisztikus fotók generálásában, amelyekről még az ember sem tudja megállapítani, hogy hamisak.

Ebben a bejegyzésben a Generative Adversarial Networks, azaz a GAN-ok szelíd bevezetését ismerheti meg.

A bejegyzés elolvasása után tudni fogja:

• A GAN-ok háttere, beleértve a felügyelt és a felügyelet nélküli tanulást, valamint a diszkriminatív és a generatív modellezést.
• A GAN-ok egy generatív modell automatikus képzésére szolgáló architektúra, amely a felügyelet nélküli problémát felügyeltként kezeli, és mind generatív, mind diszkriminatív modellt használ.
• A GAN-ok utat biztosítanak a kifinomult tartományspecifikus adatbővítéshez és megoldást nyújtanak olyan problémákra, amelyek generatív megoldást igényelnek, mint például a kép-kép fordítás.

Kezdje el projektjét új könyvemmel, a Generative Adversarial Networks with Python című könyvvel, amely lépésről lépésre bemutató útmutatókat és az összes példa Python forráskódfájlját tartalmazza.

Kezdjük el.

Áttekintés

Ez a bemutató három részre oszlik; ezek a következők:

1. Mi a generatív modellek?
2. Mi a generatív adverzális hálózatok?
3. Miért generatív adverzális hálózatok?

Mi a generatív modellek?

Ebben a részben áttekintjük a generatív modellek gondolatát, átlépve a felügyelt vs. nem felügyelt tanulási paradigmákon és a diszkriminatív vs. generatív modellezésen.

Felügyelt vs. generatív modellezés. Felügyelet nélküli tanulás

A tipikus gépi tanulási probléma során egy modellt használunk előrejelzésre, például prediktív modellezésre.

Ezhez szükség van egy képzési adathalmazra, amelyet a modell betanításához használunk, és amely több példából, úgynevezett mintából áll, mindegyik bemeneti változóval (X) és kimeneti osztálycímkével (y). A modell betanítása úgy történik, hogy bemeneti példákat mutatunk, megjósoljuk a kimeneteket, és korrigáljuk a modellt, hogy a kimenetek jobban hasonlítsanak a várt kimenetekhez.

A prediktív vagy felügyelt tanulás megközelítésében a cél az x bemenetek és y kimenetek közötti leképezés megtanulása, a bemenet-kimenet párok címkézett halmaza alapján …

– Page 2, Machine Learning: A Probabilistic Perspective, 2012.

A modellnek ezt a korrekcióját általában a tanulás felügyelt formájának vagy felügyelt tanulásnak nevezik.

A felügyelt tanulási problémák közé tartozik például az osztályozás és a regresszió, a felügyelt tanulási algoritmusokra pedig a logisztikus regresszió és a random forest.

A tanulásnak van egy másik paradigmája is, ahol a modellnek csak a bemeneti változók (X) adottak, és a problémának nincsenek kimeneti változói (y).

A modell a bemeneti adatokban lévő minták kivonásával vagy összegzésével épül fel. A modellben nincs korrekció, mivel a modell nem jósol semmit.

A gépi tanulás második fő típusa a leíró vagy felügyelet nélküli tanulási megközelítés. Itt csak bemeneteket kapunk, és a cél az, hogy “érdekes mintákat” találjunk az adatokban. Ez egy sokkal kevésbé jól körülhatárolt probléma, mivel nem mondják meg, hogy milyen mintákat keressünk, és nincs nyilvánvaló hibametrika, amit használhatunk (ellentétben a felügyelt tanulással, ahol egy adott x-re adott y-ra vonatkozó előrejelzésünket össze tudjuk hasonlítani a megfigyelt értékkel).

– Page 2, Machine Learning: A Probabilistic Perspective, 2012.

Ezt a korrekció hiányát általában a tanulás felügyelet nélküli formájának vagy felügyelet nélküli tanulásnak nevezik.

A felügyelet nélküli tanulási problémák közé tartozik például a klaszterezés és a generatív modellezés, a felügyelet nélküli tanulási algoritmusokra pedig a K-means és a Generative Adversarial Networks.

A GAN-okat szeretne a semmiből kifejleszteni?

Vegye fel ingyenes 7 napos e-mailes gyorstalpaló tanfolyamomat most (mintakóddal).

Kattintson a feliratkozáshoz, és kapja meg a tanfolyam ingyenes PDF Ebook változatát is.

Töltse le az INGYENES minitanfolyamát

Diszkriminatív vs. Generatív modellezés

A felügyelt tanulásban érdekelhet bennünket egy olyan modell kifejlesztése, amely egy bemeneti változókból álló példa alapján megjósol egy osztálycímkét.

Ezt a prediktív modellezési feladatot osztályozásnak nevezzük.

Az osztályozást hagyományosan diszkriminatív modellezésnek is nevezik.

… a képzési adatok alapján keresünk egy f(x) diszkrimináns függvényt, amely minden x-et közvetlenül egy osztálycímkére képez le, így a következtetési és döntési szakaszokat egyetlen tanulási problémává egyesítjük.

— Page 44, Pattern Recognition and Machine Learning, 2006.

This is because a model must discriminate examples of input variables across classes; it must choose or make a decision as to what class a given example belongs.

Alternately, unsupervised models that summarize the distribution of input variables may be able to be used to create or generate new examples in the input distribution.

As such, these types of models are referred to as generative models.

For example, a single variable may have a known data distribution, such as a Gaussian distribution, or bell shape. Egy generatív modell képes lehet kellőképpen összefoglalni ezt az adateloszlást, majd olyan új változók generálására használható, amelyek plauzibilisen illeszkednek a bemeneti változó eloszlásához.

Azokat az eljárásokat, amelyek explicit vagy implicit módon modellezik a bemeneti és a kimeneti eloszlást is, generatív modelleknek nevezzük, mert a belőlük történő mintavételezéssel szintetikus adatpontokat lehet létrehozni a bemeneti térben.

– 43. oldal, Pattern Recognition and Machine Learning, 2006.

Sőt, egy igazán jó generatív modell képes lehet olyan új példákat generálni, amelyek nem csak hihetőek, hanem megkülönböztethetetlenek a problématerület valós példáitól.

Példák generatív modellekre

A Naive Bayes egy példa a generatív modellre, amelyet gyakrabban használnak diszkriminatív modellként.

A Naive Bayes például úgy működik, hogy összefoglalja az egyes bemeneti változók és a kimeneti osztály valószínűségi eloszlását. Előrejelzéskor minden egyes változóra kiszámítja az egyes lehetséges kimenetek valószínűségét, a független valószínűségeket kombinálja, és megjósolja a legvalószínűbb kimenetet. Fordítva használva, az egyes változók valószínűségi eloszlásaiból mintát lehet venni, hogy új, valószínűsíthető (független) jellemzőértékeket hozzunk létre.

A generatív modellek további példái közé tartozik a Latent Dirichlet Allocation (LDA) és a Gaussian Mixture Model (GMM).

A mélytanulási módszerek generatív modellként használhatók. Két népszerű példa erre a Restricted Boltzmann Machine (RBM) és a Deep Belief Network (DBN).

A mélytanulási generatív modellező algoritmusok két modern példája a Variational Autoencoder (VAE) és a Generative Adversarial Network (GAN).

Mi a generatív adverzális hálózatok?

A generatív adverzális hálózatok, vagy GAN-ok egy mélytanulás-alapú generatív modell.

Tágabb értelemben a GAN-ok egy generatív modell képzésére szolgáló modellarchitektúra, és leggyakrabban mélytanulási modelleket használnak ebben az architektúrában.

A GAN-architektúrát először Ian Goodfellow, et al. 2014-es, “Generative Adversarial Networks” című tanulmányában írták le.”

A Deep Convolutional Generative Adversarial Networks, vagy DCGAN nevű szabványosított megközelítést, amely stabilabb modellekhez vezetett, később Alec Radford, et al. formalizálta. a 2015-ös “Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks” című tanulmányában.

A legtöbb mai GAN legalább lazán a DCGAN architektúrán alapul …

– NIPS 2016 Tutorial: Generative Adversarial Networks, 2016.

A GAN modell architektúra két almodellt tartalmaz: egy generátor modellt az új példák generálására és egy diszkriminátor modellt annak osztályozására, hogy a generált példák valódiak, a tartományból származnak-e, vagy hamisak, amelyeket a generátor modell generált.

• Generátor. A problématartományból származó új, hihető példák generálására szolgáló modell.
• Diszkriminátor. Modell, amelyet arra használunk, hogy a példákat valódi (a tartományból származó) vagy hamis (generált) példáknak minősítsük.

A generatív adverzális hálózatok egy játékelméleti forgatókönyvön alapulnak, amelyben a generátorhálózatnak egy ellenféllel kell versenyeznie. A generátorhálózat közvetlenül mintákat állít elő. Ellenfele, a diszkriminátorhálózat megpróbál különbséget tenni a képzési adatokból vett minták és a generátorból vett minták között.

– Page 699, Deep Learning, 2016.

A generátor modell

A generátor modell bemenetként egy fix hosszúságú véletlen vektort vesz, és generál egy mintát a tartományban.

A vektort véletlenszerűen húzza ki egy Gauss-eloszlásból, és a vektort használja a generatív folyamat betöltésére. A képzés után ennek a többdimenziós vektortérnek a pontjai a problématartomány pontjainak fognak megfelelni, az adatok eloszlásának tömörített reprezentációját alkotva.

Ezt a vektortérséget látens térnek vagy látens változókból álló vektortérnek nevezzük. A látens változók vagy rejtett változók olyan változók, amelyek fontosak egy tartomány szempontjából, de közvetlenül nem megfigyelhetők.

A látens változó olyan véletlen változó, amelyet nem tudunk közvetlenül megfigyelni.

– Page 67, Deep Learning, 2016.

A látens változókra vagy a látens térre gyakran az adateloszlás vetületeként vagy tömörítéseként hivatkozunk. Vagyis egy látens tér a megfigyelt nyers adatok, például a bemeneti adatok eloszlásának tömörítését vagy magas szintű fogalmait biztosítja. A GAN-ok esetében a generátor modell értelmet alkalmaz egy kiválasztott látens tér pontjaihoz, így a látens térből húzott új pontok bemenetként megadhatók a generátor modellnek, és felhasználhatók új és eltérő kimeneti példák létrehozására.

A gépi tanuló modellek képesek megtanulni a képek, zenék és történetek statisztikai látens terét, majd ebből a térből mintát venni, és olyan új műalkotásokat létrehozni, amelyek jellemzői hasonlóak a modell által a képzési adatokban látottakhoz.

– 270. oldal, Deep Learning with Python, 2017.

A képzés után a generátor modellt megtartják, és új minták létrehozására használják.

A diszkriminátor modell

A diszkriminátor modell bemenetként egy példát vesz a tartományból (valós vagy generált) és megjósolja a valós vagy hamis (generált) bináris osztálycímkét.

A valós példa a képzési adathalmazból származik. A generált példákat a generátor modell adja ki.

A diszkriminátor egy normál (és jól ismert) osztályozási modell.

A képzési folyamat után a diszkriminátor modellt elvetjük, mivel minket a generátor érdekel.

A generátor néha újrafelhasználható, mivel megtanulta, hogy hatékonyan vonjon ki jellemzőket a problématerület példáiból. A jellemzőkivonási rétegek egy része vagy egésze felhasználható transzfer tanulási alkalmazásokban, azonos vagy hasonló bemeneti adatok felhasználásával.

A jó képreprezentációk létrehozásának egyik módját javasoljuk a generatív kontraszisztematikus hálózatok (GAN-ok) képzésével, majd a generátor- és diszkriminátorhálózatok egyes részeinek későbbi újrafelhasználásával, mint jellemző-kivonók felügyelt feladatokhoz

– Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, 2015.

A GAN-ok mint kétjátékos játék

A generatív modellezés egy felügyelet nélküli tanulási probléma, amint azt az előző szakaszban tárgyaltuk, bár a GAN-architektúra egyik okos tulajdonsága, hogy a generatív modell képzése felügyelt tanulási problémaként van megfogalmazva.

A két modellt, a generátort és a diszkriminátort együtt képezzük. A generátor generál egy adag mintát, és ezeket, valamint a tartományból származó valódi példákat a diszkriminátor rendelkezésére bocsátja, és valódi vagy hamis mintának minősíti.

A diszkriminátor ezután frissül, hogy a következő körben jobban megkülönböztesse a valódi és hamis mintákat, és ami fontos, a generátor annak alapján frissül, hogy a generált minták mennyire jól vagy rosszul verték át a diszkriminátort.

A generátorra úgy gondolhatunk, mint egy hamisítóra, aki hamis pénzt próbál készíteni, a megkülönböztetőre pedig úgy, mint a rendőrségre, aki megpróbálja engedélyezni a törvényes pénzt és elfogni a hamis pénzt. Ahhoz, hogy sikerrel járjon ebben a játékban, a hamisítónak meg kell tanulnia, hogy a valódi pénztől megkülönböztethetetlen pénzt készítsen, a generátorhálózatnak pedig meg kell tanulnia, hogy olyan mintákat hozzon létre, amelyek ugyanabból az eloszlásból származnak, mint a képzési adatok.

– NIPS 2016 Tutorial: Generative Adversarial Networks, 2016.

Így a két modell egymással versenyez, játékelméleti értelemben ellenségesek, és zéróösszegű játékot játszanak.

Miatt a GAN keretrendszer természetesen elemezhető a játékelmélet eszközeivel, a GAN-okat “adversariálisnak” nevezzük.

– NIPS 2016 Tutorial: Generative Adversarial Networks, 2016.

A zéróösszegű ebben az esetben azt jelenti, hogy ha a megkülönböztető sikeresen azonosítja a valódi és hamis mintákat, akkor jutalmat kap, vagy nem kell változtatni a modell paraméterein, míg a generátort a modell paramétereinek nagymértékű frissítésével büntetik.

Változatlanul, amikor a generátor becsapja a diszkriminátort, akkor jutalmat kap, vagy nincs szükség a modellparaméterek módosítására, de a diszkriminátort büntetik, és frissítik a modellparamétereit.

Egy határesetben a generátor minden alkalommal tökéletes másolatokat generál a bemeneti tartományból, a diszkriminátor pedig nem tud különbséget tenni, és minden esetben “bizonytalan” (pl. 50% valódi és hamis) előrejelzést ad. Ez csak egy idealizált eset példája; nem kell idáig eljutnunk ahhoz, hogy hasznos generátormodellhez jussunk.

A diszkriminátort úgy vezérli, hogy megpróbálja megtanulni a minták valódi vagy hamis mintaként való helyes osztályozását. Ezzel egyidejűleg a generátor megpróbálja becsapni az osztályozót, hogy azt higgye, a minták valódiak. Konvergencia esetén a generátor mintái megkülönböztethetetlenek a valós adatoktól, és a diszkriminátor mindenhol 1/2-et ad ki. A diszkriminátor ezután eldobható.

– 700. oldal, Deep Learning, 2016.

GAN-ok és konvolúciós neurális hálózatok

A GAN-ok jellemzően képi adatokkal dolgoznak, és konvolúciós neurális hálózatokat, azaz CNN-eket használnak generátor- és diszkriminátor-modellként.

Ez egyrészt azért lehet, mert a technika első leírása a számítógépes látás területén történt, és CNN-eket és képi adatokat használt, másrészt pedig azért, mert az elmúlt években figyelemre méltó előrelépés történt a CNN-ek általánosabb felhasználásával, amelyekkel a legkorszerűbb eredményeket lehet elérni számos számítógépes látási feladatban, például a tárgyfelismerésben és az arcfelismerésben.

A képi adatok modellezése azt jelenti, hogy a látens tér, a generátor bemenete a modell betanításához használt képek vagy fényképek halmazának tömörített reprezentációját adja. Ez azt is jelenti, hogy a generátor új képeket vagy fényképeket generál, és olyan kimenetet biztosít, amelyet a modell fejlesztői vagy felhasználói könnyen megtekinthetnek és értékelhetnek.

Ez a tény, a generált kimenet minőségének vizuális értékelésének képessége lehet az, ami egyrészt a számítógépes látás alkalmazások CNN-ekkel történő összpontosításához vezetett, másrészt a GAN-ok képességének hatalmas ugrásszerű fejlődéséhez más generatív modellekhez képest, legyen az mélytanulás alapú vagy más.

Feltételes GAN-ok

A GAN-ok fontos kiterjesztése a kimenet feltételes generálására való felhasználásukban rejlik.

A generatív modell betanítható új példák generálására a bemeneti tartományból, ahol a bemenetet, a látens térből származó véletlen vektort valamilyen további bemenettel látjuk el (feltételesen).

A további bemenet lehet egy osztályérték, például férfi vagy nő az emberekről készült fényképek generálásakor, vagy egy számjegy, a kézzel írt számjegyekről készült képek generálása esetén.

A generatív adverzális hálók feltételes modellé bővíthetők, ha mind a generátor, mind a diszkriminátor valamilyen y kiegészítő információtól függ. y lehet bármilyen kiegészítő információ, például osztálycímke vagy más modalitásokból származó adat. A kondicionálást úgy tudjuk elvégezni, hogy y-t a diszkriminátorba és a generátorba is betápláljuk, mint további bemeneti réteget.

– Conditional Generative Adversarial Nets, 2014.

A diszkriminátor is kondicionált, ami azt jelenti, hogy egy valódi vagy hamisított bemeneti képet és a további bemenetet is megkapja. Egy osztályozási címke típusú feltételes bemenet esetén a diszkriminátor ekkor azt várná, hogy a bemenet az adott osztályba tartozik, ami viszont arra tanítja a generátort, hogy az adott osztályba tartozó példákat generáljon a diszkriminátor becsapása érdekében.

Egy feltételes GAN ily módon egy adott típusú tartományból származó példák generálására használható.

Egy lépéssel továbbmenve, a GAN modelleket a tartományból származó példára, például egy képre lehet kondicionálni. Ez lehetővé teszi a GAN-ok olyan alkalmazásait, mint a szöveg-kép fordítás vagy a kép-kép fordítás. Ez lehetővé teszi a GAN-ok néhány lenyűgözőbb alkalmazását, mint például a stílusátvitel, a fényképek színezése, a fényképek átalakítása nyárról télre vagy nappalról éjszakára stb.

A kép-kép fordításhoz használt feltételes GAN-ok esetében, mint például a nappalról éjszakára történő átalakítás, a megkülönböztetőnek bemenetként valós és generált éjszakai fényképeket, valamint (feltételes) valós nappali fényképeket adnak példaként. A generátor a látens térből egy véletlenszerű vektort, valamint (feltételesen) valós nappali fotókat kap bemenetként.

Miért generatív adverzális hálózatok?

A mély tanulási módszerek használatának számos jelentős előrelépése közül az olyan területeken, mint a számítógépes látás, az úgynevezett adatbővítés technikája.

Az adatbővítés jobb teljesítményű modelleket eredményez, mivel növeli a modell készségét és regularizáló hatást biztosít, csökkentve az általánosítási hibát. Úgy működik, hogy új, mesterséges, de hihető példákat hoz létre abból a bemeneti problématartományból, amelyen a modellt betanítják.

A technikák a képi adatok esetében primitívek, és a képzési adathalmazban meglévő képek vágását, szaltózását, nagyítását és egyéb egyszerű transzformációit foglalják magukban.

A sikeres generatív modellezés alternatív és potenciálisan tartományspecifikusabb megközelítést kínál az adatbővítéshez. Valójában az adatbővítés a generatív modellezés egyszerűsített változata, bár ritkán írják le így.

… a minta bővítése látens (nem megfigyelt) adatokkal. Ezt nevezzük adatbővítésnek. Más problémák esetén a látens adatok olyan tényleges adatok, amelyeket meg kellett volna figyelni, de hiányoznak.”

– Page 276, The Elements of Statistical Learning, 2016.

A komplex vagy korlátozott adatmennyiséggel rendelkező területeken a generatív modellezés egy utat biztosít a modellezéshez szükséges több képzés felé. A GAN-ok nagy sikert arattak ebben a felhasználási esetben olyan területeken, mint a mély megerősítéses tanulás.

A GAN-ok számos kutatási ok miatt érdekesek, fontosak és további tanulmányozást igényelnek. Ian Goodfellow számos ilyen okot vázol fel a 2016-os konferencia keynote-jában és a kapcsolódó technikai jelentésében, amelynek címe: “NIPS 2016 Tutorial: Generative Adversarial Networks.”

Az okok közül kiemeli a GAN-ok sikeres képességét a nagydimenziós adatok modellezésére, a hiányzó adatok kezelésére, valamint a GAN-ok azon képességét, hogy multimodális kimeneteket vagy több plauzibilis választ adjanak.

A GAN-ok talán legmeggyőzőbb alkalmazása a feltételes GAN-ok olyan feladatokhoz, amelyek új példák generálását igénylik. Goodfellow itt három fő példát jelöl:

• Képek szuperfelbontása. A bemeneti képek nagy felbontású változatainak generálására való képesség.
• Művészet létrehozása. A nagyszerű új és művészi képek, vázlatok, festmények stb. készítésének képessége.
• Kép-kép-kép fordítás. A fényképek tartományok közötti fordításának képessége, például nappalról éjszakára, nyárról télre és így tovább.

Talán a sikerük a legnyomósabb oka annak, hogy a GAN-okat széles körben tanulmányozzák, fejlesztik és használják. A GAN-ok képesek olyan valósághű fotókat generálni, amelyekről az emberek nem tudják megállapítani, hogy olyan tárgyakról, jelenetekről és emberekről készültek, amelyek a valóságban nem léteznek.

A lenyűgöző nem elégséges jelző a képességükre és sikerükre.

Further Reading

Ez a rész további forrásokat kínál a témában, ha mélyebben szeretne elmélyülni.

Posts

• Best Resources for Getting Started With Generative Adversarial Networks (GANs)
• 18 Impressive Applications of Generative Adversarial Networks (GANs)

Books

• Chapter 20. Deep Generative Models, Deep Learning, 2016.
• Chapter 8. Generative Deep Learning, Deep Learning with Python, 2017.
• Machine Learning: A Probabilistic Perspective, 2012.
• Pattern Recognition and Machine Learning, 2006.
• The Elements of Statistical Learning, 2016.

Papers

• Generative Adversarial Networks, 2014.
• Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks, 2015.
• NIPS 2016 Tutorial: Generative Adversarial Networks, 2016.
• Conditional Generative Adversarial Nets, 2014.
• The Malicious Use of Artificial Intelligence: Forecasting, Prevention, and Mitigation, 2018.

Cikkek

• Generative model, Wikipedia.
• Latent Variable, Wikipedia.
• Generative Adversarial Network, Wikipedia.

Összefoglaló

Ezzel a bejegyzéssel felfedeztél egy szelíd bevezetést a Generative Adversarial Networks, azaz a GAN-okba.

Közelebbről megtanultad:

• A GAN-ok kontextusa, beleértve a felügyelt vs. felügyelet nélküli tanulás és diszkriminatív vs. generatív modellezés.
• A GAN-ok egy generatív modell automatikus képzésére szolgáló architektúra, amely a felügyelet nélküli problémát felügyeltként kezeli, és mind generatív, mind diszkriminatív modellt használ.
• A GAN-ok utat biztosítanak a kifinomult tartományspecifikus adatok bővítéséhez és megoldást nyújtanak olyan problémákra, amelyek generatív megoldást igényelnek, mint például a kép-kép fordítás.

Do you have any questions?
Ask your questions in the comments below and I will do my best to answer.