シラバス レッスン 246 中 177 · モジュール 16:ゲームをする 2 つのネットワーク(GAN、選択)
モジュール 16:ゲームをする 2 つのネットワーク(GAN、選択)

8 つの塊の上のゲーム

なぜ大切か 絵は GAN が何を間違えるかを隠します。2 次元の点は隠しません:生成器がデータのどの部分を見つけ、どれを逃したかがすぐに見えます。

本物のデータ:円の上の 8 つのきつい塊。良い生成器は 8 つすべての塊に、ほぼ均等に点を置きます。審査員 ganlab.coverage(points) は 2 つの数を返します:おおった塊(塊は点の 2% より多くを得ると数える)と 質(どれかの塊に落ちる点の割合)。

場面を見てください:本物の塊、それから訓練した生成器の点が落ちる場所、それから崩壊した生成器。

訓練の一歩には 2 つの半分があります:

  1. D の番。本物の点のバッチ(ganlab.ring(128, rng))と偽物のバッチ。D のステップが G に届かないよう、偽物はふつうの数(.data)として取る。損失 = BCE(score(real), 1) + BCE(score(fake), 0)。D を進める。
  2. G の番。新しいノイズ、生成、D で点数づけ、損失 = BCE(score, 1):飽和しない損失。G を進める。この逆向きのたどりは D の勾配も埋めた。それを None に戻す。さもないと D の次のステップに漏れる。

GAN は最初の beta を 0.5 にした Adam を使います(コースの Adam は b1 を取る)。コースはその理由を測りました:既定の 0.9 では、同じ GAN が 5 つのシードで 1 から 7 の塊をおおい、0.5 では 7 か 8 をおおいました。

このレッスンの言葉と記号
GAN
敵対的生成ネットワーク:互いに対して訓練する生成器と識別器
生成器(G)
ノイズを標本に変えるネットワーク
飽和する損失
G は log(1 - D(G(z))) を最小にする。D が確信するとその傾きはほぼ 0 なので、G は学ぶのをやめる
飽和しない損失
G は -log D(G(z)) を最小にする。同じ目標で、D が確信していても全力の押し
おおった塊、質
輪の審査員:点の 2% より多くを持つ塊と、塊の上にある点の割合
あなたの番

訓練のループの本体を書いてください:2000 ステップ(ブラウザで約 4 秒)。少なくとも 7 つの塊をおおい、質が少なくとも 0.5 で合格です。ループは自分で書いてください:ここでは ganlab.train は使えません。

このレッスンに問題を見つけましたか?報告する · このレッスンについて質問する

この演習はまもなく開きます

その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。