La partita su otto macchie
Perché è importante Le immagini nascondono che cosa sbaglia una GAN. I punti in 2D no: vedi subito quali parti dei dati il generatore ha trovato e quali ha mancato.
I dati veri: 8 macchie strette su un cerchio. Un buon generatore mette punti su tutte le 8 macchie, più o meno in parti uguali. Il giudice, ganlab.coverage(points), dà due numeri: macchie coperte (una macchia conta quando riceve più del 2% dei punti) e qualità (la quota di punti che cade su una qualsiasi macchia).
Guarda la scena: le macchie vere, poi dove cadono i punti di un generatore addestrato, poi un generatore collassato.
Un passo di addestramento ha due metà:
- Il turno di D. Un batch di punti veri (
ganlab.ring(128, rng)) e un batch di falsi. Prendi i falsi come semplici numeri (.data) così il passo di D non arriva dentro G. Loss = BCE(score(real), 1) + BCE(score(fake), 0). Fai un passo di D. - Il turno di G. Nuovo rumore, genera, dai il punteggio con D, loss = BCE(score, 1): la loss non saturante. Fai un passo di G. Questo backward ha riempito anche i gradienti di D; rimettili a
None, altrimenti finiscono nel prossimo passo di D.
Le GAN usano Adam con il primo beta a 0.5 (l'Adam di casa accetta b1). Il corso ha misurato perché: con il default 0.9 la stessa GAN copriva tra 1 e 7 macchie su 5 seed, con 0.5 ne copriva 7 o 8.
Parole e simboli di questa lezione
- GAN
- rete generativa avversaria: un generatore e un discriminatore addestrati uno contro l'altro
- generatore (G)
- la rete che trasforma il rumore in un campione
- loss saturante
- G minimizza log(1 - D(G(z))); la sua pendenza è circa 0 quando D è sicuro, quindi G smette di imparare
- loss non saturante
- G minimizza -log D(G(z)); stesso obiettivo, una spinta piena anche quando D è sicuro
- macchie coperte, qualità
- il giudice dell'anello: macchie con più del 2% dei punti, e la quota di punti su una macchia
Scrivi il corpo del ciclo di addestramento: 2000 passi (circa 4 secondi nel browser). Superi con almeno 7 macchie coperte e qualità almeno 0.5. Scrivi tu il ciclo: ganlab.train qui è vietato.
Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione
Questo esercizio si apre presto
Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.
Questo browser blocca i cookie per learn.floati.life, quindi le lezioni che hai finito qui non si possono aprire in ordine. Consenti i cookie per questo sito e ricarica.