Neyron tarmoq asoslari va uni chuqur o'rganish

Построение порождающих моделей и глубоких сверточных порождающих состязательных сетей
Один из вариантов ПСС – глубокая сверточная порождающая состязательная сеть7 (ГСПСС, англ. DCGAN). На рис. 4.6 приведены изображения спален, порожденные ГСПСС.


Рис. 4.6  Изображения спален, порожденные сетью ГСПСС8

Эта сеть принимает случайные числа (с равномерным распределением) и по-рождает на выходе изображение из модели сети. В ответ на разные числа порож-даются разные изображения спален.

Условные ПСС

Условные ПСС9 также могут использовать метки класса и условно генерировать данные конкретного класса.

0. 
   https://github.com/Newmu/dcgan_code.
   

0. 
   Изображение взято из репозитория авторов ГСПСС на GitHub.
   

0. 
   Mirza and Osindero, 2014. Conditional Generative Adversarial Nets // https://arxiv.org/abs/ 1411.1784.
   

Сверточные нейронные сети (СНС)  117
Сравнение ПСС с вариационными автокодировщиками

ПСС пытается классифицировать обучающие примеры как выбранные из реаль-ного или модельного распределения. Если предсказание дискриминантной сети свидетельствует о различии между распределениями, то порождающая сеть кор-ректирует свои параметры. В конечном итоге генератор сходится к параметрам, которые воспроизводят реальное распределение, а дискриминатор не способен отличить подлинник от подделки.

1. 
   случае вариационных автокодировщиков (VAE) мы подходим к той же задаче
   

0. 
   помощью вероятностных графических моделей, которые обучаются реконструи­ ровать вход без учителя, как было описано в главе 3. VAE пытается максимизиро-вать нижнюю границу логарифмического правдоподобия данных, так чтобы сге-нерированные изображения как можно больше походили на реальные.
   

Еще одно интересное отличие между ПСС и VAE – как именно порождаются изображения. В базовой ПСС порождается какое-то изображение, мы не можем заказать картинку с определенными признаками. Напротив, в VAE имеется кон-кретная схема кодирования-декодирования, позволяющая сравнить сгенериро-ванное изображение с оригинальным. Побочный эффект – возможность затребо-вать порождение изображений определенного типа.