سرفصل‌ها درس 179 از 246 · ماژول 16: دو شبکه در یک بازی (GANها، اختیاری)
ماژول 16: دو شبکه در یک بازی (GANها، اختیاری)

ترفندهایی که گاهی کمک می‌کنند

چرا مهم است مقاله‌ها و پست‌های وبلاگی GAN ده‌ها ترفند فهرست می‌کنند. بیشترشان روی یک چیدمان، اغلب با یک بذر، نشان داده شده‌اند. اینجا چهار تا را روی همان فروپاشی، روی 8 بذر ثبت‌شده، می‌آزمایید و آنچه سنجیدید را گزارش می‌دهید، نه آنچه خواندید.

چهار ترفند، هر کدام اعمال‌شده بر GAN فروپاشندهٔ با 8 عدد نویز:

  • هموارسازی برچسب: به D گفته می‌شود نمونه‌های واقعی 0.8 واقعی‌اند، نه 1، پس هرگز بیش از حد مطمئن نمی‌شود.
  • نویز نمونه: کمی نویز به هر نقطه‌ای که D می‌بیند اضافه می‌شود که در طول آموزش به 0 کوچک می‌شود، پس واقعی و جعلی در اوایل هم‌پوشانی دارند.
  • نرمال‌سازی طیفی: هر ماتریس وزن D بر بزرگ‌ترین کشش آن تقسیم می‌شود، پس D نمی‌تواند به تغییرهای کوچک بیش از حد تند واکنش نشان دهد.
  • توازن نرخ یادگیری: G کندتر از D (g_lr 2.5e-4) یا سریع‌تر (g_lr 3e-3).

از روح ماژول 9 استفاده کنید: یک تفاوت فقط وقتی حساب می‌شود که آشکارا بزرگ‌تر از نویز میان بذرها باشد. هر ترفند را بذر به بذر با اجرای ساده مقایسه کنید (همان بذر، جفتی):

  • helped: میانگین لکه‌ها دست‌کم 1 بالاتر و لکه‌های بیشتر در دست‌کم 6 از 8 بذر؛
  • hurt: میانگین لکه‌ها دست‌کم 1 پایین‌تر و کمتر در دست‌کم 6 بذر، یا میانگین کیفیت دست‌کم 0.25 پایین‌تر و پایین‌تر در دست‌کم 6 بذر (مولدی که لکه‌هایش را نگه می‌دارد اما نقطه‌هایش را پخش می‌کند کمکی نگرفته است)؛
  • در غیر این صورت no clear change.
واژه‌ها و نمادهای این درس
GAN
شبکهٔ مولد تخاصمی: یک مولد و یک تمیزدهنده که در برابر هم آموزش می‌بینند
مولد (G)
شبکه‌ای که نویز را به یک نمونه تبدیل می‌کند
لکه‌های پوشش‌داده‌شده، کیفیت
داور حلقه: لکه‌هایی با بیش از 2% نقطه‌ها، و سهم نقطه‌هایی که روی یک لکه‌اند
هموارسازی برچسب
آموزش D روی برچسب‌های واقعی 0.8 به جای 1
نویز نمونه
نویزی که به هر چیزی که D می‌بیند اضافه می‌شود و در طول آموزش به 0 کوچک می‌شود
نرمال‌سازی طیفی
تقسیم هر ماتریس وزن D بر بزرگ‌ترین کشش آن
نوبت شما

verdict(trick) را بنویسید که از روی اجراهای ثبت‌شده "helped"، "hurt" یا "no clear change" برمی‌گرداند. سپس report را با حکم خودتان برای هر یک از پنج اجرای ترفند پر کنید.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.