JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
423
Рис. 10.15.
Примеры кривых потерь процесса обучения ACGAN. dLoss — потери с шага обучения 
дискриминатора. Если точнее, они представляют собой сумму бинарной перекрестной энтропии 
от предсказания подлинности изображений и разреженной категориальной перекрестной 
энтропии от предсказания классов цифр. gLoss — потери с шага обучения генератора. Подобно 
dLoss, gLoss равны сумме потерь от бинарной классификации подлинности и многоклассовой 
классификации цифр
Батч меток классов цифр всегда представляет собой упорядоченный вектор из 
десяти элементов, от 0 до 9, поэтому батч сгенерированных изображений всегда 
представляет собой упорядоченный массив изображений от 0 до 9. Эти изображе­
ния соединяются с помощью функции 
tf.concat()
и выводятся в элементе 
div
на 
веб­странице (рис. 10.16, 
вверху
). При сравнении с выбранными случайным образом 
настоящими изображениями MNIST (см. рис. 10.16, 
внизу
) видно, что эти сгенери­
рованные ACGAN изображения выглядят как настоящие. Кроме того, их классы 
цифр правильны, что демонстрирует успешность обучения ACGAN. Чтобы полу­
чить больше выходных изображений от генератора ACGAN, нажмите на странице 
кнопку 
Generator
. При каждом нажатии этой кнопки генерируется и выводится на 
странице новый батч из десяти фальшивых изображений. Можете поэксперимен­
тировать с этой возможностью, чтобы лучше прочувствовать качество генерации 
изображений.

---

424
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Рис. 10.16.
Пример изображений (верхний блок 10 
×
1), сгенерированных генератором обученного 
ACGAN. Для сравнения показан нижний блок, содержащий таблицу 10 
×
10 настоящих изображений 
из набора данных MNIST. При нажатии кнопки Show Z-vector Sliders открывается область, 
заполненная 100 слайдерами, с помощью которых можно поменять элементы латентного вектора 
(z-вектора) и посмотреть, что поменяется в сгенерированных изображениях MNIST. Учтите, что 
влияние на изображения большинства слайдеров при изменении их по одному очень незначительно 
и малозаметно. Но иногда можно случайно натолкнуться на слайдер с более заметным эффектом
Материалы для дальнейшего изучения
z
z
Goodfellow I., Bengio Y., Courville A.
Deep Generative Models // Deep Learning, 
chapter 20, MIT Press, 2017. (
Гудфеллоу Я., Бенджио Б., Курвилль А.
Глубокое 
обучение. — М.: ДМК­Пресс, 2018; глава 20 «Глубокие порождающие модели».)
z
z
Langr J., Bok V.
GANs in Action: Deep Learning with Generative Adversarial 
Networks, Manning Publications, 2019.
z
z
Karpathy A.
The Unreasonable Effectiveness of Recurrent Neural Networks // blog, 
21 May 2015: 
http://karpathy.github.io/2015/05/21/rnn-effectiveness/
.
z
z
Hui J.
GAN — What is Generative Adversary Networks GAN? // Medium, 19 June 
2018: 
http://mng.bz/Q0N6
.
z
z
GAN Lab — интерактивная веб­среда для исследования работы GAN, созданная 
с помощью TensorFlow.js: 
Kahng M. et al.:
https://poloclub.github.io/ganlab/
.

---