JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 10. Генеративное глубокое обучение
411
Рис.
 10.10.
Схематическая иллюстрация алгоритма обучения дискриминатора GAN. Учтите, что на этой схеме ради простоты опущена часть 
ACGAN, относящаяся к
классам цифр. Полную схему обучения дискриминатора ACGAN вы можете найти на рис.
10.13

---

412
Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Рис.
 10.11.
Схематическая иллюстрация алгоритма обучения генератора GAN. Ради простоты здесь опущена часть ACGAN, относящаяся 
к 
классам цифр. Полную схему обучения генератора ACGAN вы можете найти на рис. 10.14

---

Глава 10. Генеративное глубокое обучение
413
Подытожим шаг обучения генератора: мы блокируем дискриминатор и подаем 
метки реальности из сплошных единиц для вычисления функции потерь, несмотря 
на то что его входные изображения фальшивые, сгенерированные генератором. 
В результате весовые коэффициенты генератора обновляются так, что он начинает 
генерировать изображения, выглядящие для дискриминатора чуть более правдопо­
добно. Обучить генератор подобным образом можно, только если дискриминатор 
достаточно хорошо отличает, какие изображения настоящие, а какие — сгенериро­
ванные. Как добиться этого? С помощью шага обучения дискриминатора, который 
мы упоминали выше. Таким образом, эти два шага обучения переплетаются, как инь 
и ян, и эти две части GAN борются и помогают друг другу одновременно.
На этом наш рассказ в общих чертах про обучение GAN завершается. В следу­
ющем разделе мы рассмотрим внутренние структуры дискриминатора и генератора 
и посмотрим на включение в них информации о классе изображения.
10.3.2. «Кирпичики» GAN
В листинге 10.9 приведен код TensorFlow.js для создания дискриминатора ACGAN 
MNIST (из файла 
mnist-acgan/gan.js
). В основе дискриминатора — глубокая ней­
ронная сеть, подобная тем, с которыми мы встречались в главе 4. Форма ее входного 
сигнала традиционная для изображений MNIST, а именно 
[28,
28,
1]
. Входное изо­
бражение проходит через четыре слоя двумерной свертки (conv2d), а затем схлопы­
вается и подвергается обработке в двух плотных слоях. Один плотный слой выдает 
бинарное предсказание реальности входного изображения, а второй — вероятности 
десяти выходных классов из многомерной логистической функции. Дискримина­
тор представляет собой функциональную модель с выходными сигналами обоих 
плотных слоев. Топология дискриминатора с одним входным и двумя выходными 
сигналами схематично представлена в блоке A на рис. 10.12.