JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
409
В этом типе GAN со смешанными входными сигналами латентные пространства уже 
не непрерывны относительно входных сигналов сети.
В данном разделе мы подробнее обсудим относительно простой тип GAN. А имен­
но, поговорим о применении 
вспомогательного классификатора
GAN (auxiliary 
classifier GAN, ACGAN)
1
для уже знакомого нам набора данных рукописных цифр 
MNIST. Благодаря этому мы получим модель, способную генерировать изображения 
цифр, в точности напоминающие настоящие цифры набора MNIST. В то же время 
мы сможем сами контролировать, к какому классу цифр (от 0 до 9) принадлежат сге­
нерированные изображения, благодаря вспомогательному классификатору ACGAN. 
Чтобы разобраться, как функционирует ACGAN, пройдемся по этому алгоритму 
пошагово. Во­первых, мы расскажем, как работает основная часть ACGAN — GAN. 
А затем опишем дополнительные механизмы, позволяющие задавать классы цифр.
10.3.1. Основная идея GAN
Как GAN обучается генерировать правдоподобные изображения? Благодаря взаи­
модействию двух его составляющих: 
генератора
(generator) и 
дискриминатора
(discriminator). Можно провести аналогию генератора с фальсификатором, цель кото­
рого — нарисовать высококачественные имитации картин Пикассо, а дискриминато­
ра — с торговцем произведениями искусства, задача которого — отличить поддельные 
картины Пикассо от подлинников. Фальсификатор (генератор) пытается создать 
все более и более правдоподобные подделки, чтобы обмануть торговца картинами 
(дискриминатор), а торговец картинами стремится все лучше и лучше анализиро­
вать картины, чтобы 
не
дать фальсификатору себя обмануть. Это соперничество 
двух игроков и послужило источником эпитета «состязательная» в названии GAN. 
Что любопытно, фальсификатор и торговец картинами в конечном итоге 
помогают
друг другу совершенствовать навыки, несмотря на явное соперничество.
Изначально фальсификатор плохо подделывает картины Пикассо — из­за случай­
ных начальных значений весовых коэффициентов. В результате торговец картинами 
(дискриминатор) быстро обучается различать настоящие и поддельные картины. 
Важный нюанс работы алгоритма: каждый раз, принося новую картину торговцу, 
фальсификатор получает подробную обратную связь (от торговца) о том, какие фраг­
менты картины выглядят неправильно и как поменять картину, чтобы она стала более 
правдоподобной. Фальсификатор усваивает и запоминает эту информацию, так что 
в следующий раз приносит торговцу чуть лучше выглядящие картины. Этот процесс 
повторяется многократно. Оказывается, если задать все параметры должным образом, 
в итоге наш фальсификатор (генератор) станет настоящим мастером своего дела. 
Конечно, в результате дискриминатор (торговец картинами) также станет мастером 
своего дела, но обычно после обучения GAN нужен только генератор.
На рис. 10.10 приведена более подробная иллюстрация обучения дискрими­
натора универсальной модели GAN. Для обучения дискриминатора необходим 
1 
Odena A., Olah C., Shlens J.
Conditional Image Synthesis with Auxiliary Classifier GANs // 
submitted 30 Oct. 2016, https://arxiv.org/abs/1610.09585.

---

410