Le jeu sur huit taches
Pourquoi c'est important Les images cachent ce qu'un GAN fait de travers. Des points en 2D, non : tu vois tout de suite quelles parties des données le générateur a trouvées et lesquelles il a ratées.
Les vraies données : 8 taches serrées sur un cercle. Un bon générateur met des points sur les 8 taches, à peu près également. Le juge, ganlab.coverage(points), donne deux nombres : les taches couvertes (une tache compte quand elle reçoit plus de 2 % des points) et la qualité (la part des points qui tombent sur une tache).
Regarde la scène : les vraies taches, puis où tombent les points d'un générateur entraîné, puis un générateur qui s'est effondré.
Une étape d'entraînement a deux moitiés :
- Le tour de D. Un lot de vrais points (
ganlab.ring(128, rng)) et un lot de faux. Prends les faux comme de simples nombres (.data) pour que le pas de D ne remonte pas dans G. Perte = BCE(score(real), 1) + BCE(score(fake), 0). Fais un pas pour D. - Le tour de G. Un nouveau bruit, génère, note avec D, perte = BCE(score, 1) : la perte non saturante. Fais un pas pour G. Cette passe arrière a aussi rempli les gradients de D ; remets-les à
None, sinon ils fuient dans le pas suivant de D.
Les GAN utilisent Adam avec son premier beta à 0.5 (l'Adam du cours prend b1). Le cours a mesuré pourquoi : avec la valeur par défaut 0.9, le même GAN couvrait entre 1 et 7 taches sur 5 graines, avec 0.5 il en couvrait 7 ou 8.
Mots et symboles de cette leçon
- GAN
- réseau antagoniste génératif : un générateur et un discriminateur entraînés l'un contre l'autre
- générateur (G)
- le réseau qui transforme du bruit en échantillon
- perte saturante
- G minimise log(1 - D(G(z))) ; sa pente vaut environ 0 une fois que D est sûr, donc G cesse d'apprendre
- perte non saturante
- G minimise -log D(G(z)) ; le même but, une poussée complète même quand D est sûr
- taches couvertes, qualité
- le juge de l'anneau : les taches avec plus de 2 % des points, et la part des points sur une tache
Écris le corps de la boucle d'entraînement : 2000 pas (environ 4 secondes dans le navigateur). Tu réussis avec au moins 7 taches couvertes et une qualité d'au moins 0.5. Écris la boucle toi-même : ganlab.train est interdit ici.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.