اللعبة على ثماني كتل
لماذا هذا مهم الصور تخفي ما يفعله GAN بشكل خاطئ. النقاط في 2D لا تفعل ذلك: يمكنك رؤية الأجزاء التي وجدها generator من البيانات والأجزاء التي فاتته في وقت واحد.
البيانات الحقيقية: 8 كتل متراصة على دائرة. المولد الجيد يضع نقاطا على جميع الكتل الثمانية، بشكل متساوٍ تقريبًا. الحكم، ganlab.coverage(points)، يعطي رقمين: blobs covered (تحتسب الكتلة عندما تحصل على أكثر من 2% من النقاط) و quality (حصة النقاط التي تقع على أي كتلة).
شاهد المشهد: كتل حقيقية، ثم أين تستقر نقاط مولد مدرب، ثم مولد انهار.
خطوة تدريب واحدة تتكون من نصفين:
- دور
- D. دفعة من النقاط الحقيقية (
ganlab.ring(128, rng)) ودفعة من النقاط المزيفة. اعتبر النقاط المزيفة كأرقام عادية (.data) حتى لا تصل خطوة D إلى G. Loss = BCE(score(real), 1) + BCE(score(fake), 0). خطوة D.
دور - G. ضجيج جديد، generate، score مع D، loss = BCE(score, 1): الـ non-saturating loss. خطوة G. هذه الـ backward pass ملأت أيضاً تدرجات D؛ أعد ضبطها إلى
None، وإلا ستتسرب إلى خطوة D التالية.
GANs خوارزمية Adam مع قيمة beta الأولى عند 0.5 (القيمة التي تأخذها Adam هي b1). قام المساق بقياس السبب: مع القيمة الافتراضية 0.9 غطت نفس GAN بين 1 و 7 blobs عبر 5 seeds، ومع 0.5 غطت 7 أو 8.
الكلمات والرموز في هذا الدرس
- GAN
- شبكة خصومية توليدية: مولد ومميز يتم تدريبهما ضد بعضهما البعض
- مولد (G)
- الشبكة التي تحول الضجيج إلى عينة
- saturating loss
- G يقلل log(1 - D(G(z))); ميله يقارب 0 بمجرد أن يصبح D مؤكداً، لذا يتوقف G عن التعلم
- خسارة غير مشبعة
- G يقلل -log D(G(z))؛ نفس الهدف، دفع كامل حتى عندما يكون D متأكداً
- blobs مغطاة، الجودة
- حكم الحلقة: الكتل التي تزيد عن 2% من النقاط، وحصة النقاط في كل كتلة
اكتب جسم حلقة التدريب: 2000 خطوة (حوالي 4 ثواني في المتصفح). اجتز الاختبار بوجود 7 blobs مغطاة على الأقل وجودة لا تقل عن 0.5. اكتب الحلقة بنفسك: ganlab.train غير مسموح به هنا.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.