पाठ्यक्रम 246 में से पाठ 177 · Module 16: एक खेल में दो networks (GANs, वैकल्पिक)
Module 16: एक खेल में दो networks (GANs, वैकल्पिक)

आठ blobs पर खेल

यह क्यों मायने रखता है तस्वीरें छिपाती हैं कि एक GAN क्या ग़लत करता है। 2D में बिंदु नहीं छिपाते: आप तुरंत देख सकते हैं कि generator ने डेटा के कौन-से हिस्से पाए और कौन-से चूके।

असली डेटा: एक वृत्त पर 8 कसे blobs। एक अच्छा generator सारे 8 blobs पर बिंदु रखता है, लगभग बराबर। परखने वाला, ganlab.coverage(points), दो संख्याएँ देता है: ढके blobs (एक blob तब गिना जाता है जब उसे 2% से ज़्यादा बिंदु मिलें) और quality (बिंदुओं का वह हिस्सा जो किसी भी blob पर आए)।

दृश्य देखें: असली blobs, फिर जहाँ एक train हुए generator के बिंदु आते हैं, फिर एक generator जो ढह गया।

एक training step के दो आधे हैं:

  1. D की बारी। असली बिंदुओं का एक batch (ganlab.ring(128, rng)) और नक़ली का एक batch। नक़ली वालों को सादी संख्याओं (.data) के रूप में लें ताकि D का step G तक न पहुँचे। Loss = BCE(score(real), 1) + BCE(score(fake), 0)। D का step लें।
  2. G की बारी। नया शोर, बनाएँ, D से अंक दें, loss = BCE(score, 1): non-saturating loss। G का step लें। इस backward pass ने D के gradients भी भरे; उन्हें वापस None पर सेट करें, नहीं तो वे D के अगले step में रिसते हैं।

GANs Adam को उसके पहले beta 0.5 के साथ इस्तेमाल करते हैं (घर का Adam b1 लेता है)। कोर्स ने मापा क्यों: डिफ़ॉल्ट 0.9 के साथ उसी GAN ने 5 seeds पर 1 से 7 blobs ढके, 0.5 के साथ 7 या 8।

इस पाठ के शब्द और चिह्न
GAN
generative adversarial network: एक generator और एक discriminator जो एक-दूसरे के ख़िलाफ़ train होते हैं
generator (G)
वह network जो शोर को एक नमूने में बदलता है
saturating loss
G log(1 - D(G(z))) न्यूनतम करता है; D के पक्का होते ही इसकी ढलान लगभग 0 है, इसलिए G सीखना बंद करता है
non-saturating loss
G -log D(G(z)) न्यूनतम करता है; वही लक्ष्य, D के पक्का होने पर भी एक पूरा धक्का
ढके blobs, quality
ring परखने वाला: 2% से ज़्यादा बिंदुओं वाले blobs, और एक blob पर बिंदुओं का हिस्सा
आपकी बारी

training loop का शरीर लिखें: 2000 steps (ब्राउज़र में लगभग 4 सेकंड)। कम से कम 7 ढके blobs और कम से कम 0.5 quality के साथ पास करें। loop ख़ुद लिखें: यहाँ ganlab.train मना है।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।