Trò chơi trên tám cụm
Vì sao điều này quan trọng Ảnh che giấu điều một GAN làm sai. Các điểm trong 2D thì không: bạn có thể thấy ngay phần nào của dữ liệu bộ sinh đã tìm ra và phần nào nó bỏ lỡ.
Dữ liệu thật: 8 cụm chặt trên một vòng tròn. Một bộ sinh tốt đặt điểm lên cả 8 cụm, xấp xỉ đều nhau. Giám khảo, ganlab.coverage(points), cho hai con số: số cụm được phủ (một cụm được tính khi nó nhận hơn 2% số điểm) và chất lượng (tỷ lệ điểm rơi vào bất kỳ cụm nào).
Hãy xem cảnh: các cụm thật, rồi nơi các điểm của một bộ sinh đã huấn luyện rơi xuống, rồi một bộ sinh đã sụp đổ.
Một bước huấn luyện có hai nửa:
- Lượt của D. Một batch điểm thật (
ganlab.ring(128, rng)) và một batch mẫu giả. Lấy các mẫu giả dưới dạng con số thuần (.data) để bước của D không chạm tới G. Giá trị mất mát = BCE(score(real), 1) + BCE(score(fake), 0). Bước D. - Lượt của G. Nhiễu mới, sinh mẫu, chấm điểm bằng D, giá trị mất mát = BCE(score, 1): giá trị mất mát không bão hòa. Bước G. Lượt lan truyền ngược này cũng đã điền gradient của D; hãy đặt chúng lại về
None, nếu không chúng rò vào bước tiếp theo của D.
GAN dùng Adam với beta thứ nhất ở 0.5 (Adam của khóa học nhận b1). Khóa học đã đo vì sao: với mặc định 0.9 cùng GAN đó phủ từ 1 tới 7 cụm qua 5 seed, với 0.5 nó phủ 7 hoặc 8.
Từ và ký hiệu trong bài học này
- GAN
- mạng đối nghịch sinh: một bộ sinh và một bộ phân biệt được huấn luyện đối đầu nhau
- bộ sinh (G)
- mạng biến nhiễu thành một mẫu
- giá trị mất mát bão hòa
- G tối thiểu hóa log(1 - D(G(z))); độ dốc của nó khoảng 0 một khi D đã chắc chắn, nên G ngừng học
- giá trị mất mát không bão hòa
- G tối thiểu hóa -log D(G(z)); cùng mục tiêu, một cú đẩy đầy đủ ngay cả khi D đã chắc chắn
- số cụm được phủ, chất lượng
- giám khảo của vòng tròn: các cụm có hơn 2% số điểm, và tỷ lệ điểm nằm trên một cụm
Viết thân vòng lặp huấn luyện: 2000 bước (khoảng 4 giây trong trình duyệt). Đạt khi phủ ít nhất 7 cụm và chất lượng ít nhất 0.5. Hãy tự viết vòng lặp: ganlab.train bị cấm dùng ở đây.
Bạn thấy vấn đề gì trong bài học này? Hãy báo cáo nó · Hỏi về bài học này
Bài tập này sẽ sớm mở.
Hoàn thành bài học trước đó để mở khóa bài này. Toàn bộ khóa học là miễn phí, không cần tài khoản, và bạn có thể đọc bài học này ngay bây giờ.
Trình duyệt này đang chặn cookie cho learn.floati.life, nên các bài học bạn đã hoàn thành tại đây không thể mở theo thứ tự. Hãy cho phép cookie cho trang web này và tải lại trang.