GANشبکه های

مقدمه
تاریخچه
آشنایی با شبکه های GAN
بررسی چند مثال از شبکه های GAN
دلایل به وجود آمدن شبکه های GAN
معنای لغوی شبکه های GAN
ساختار شبکه های GAN
ساختار شبکه های Discriminator وGenerator
آموزش شبکه های Discriminator و Generator
معایب شبکه های GAN
کاربردهای شبکه های GAN
رشد شبکه های GAN
نتیجه گیری
فهرست مطالب

یادگیری ماشین
یادگیری عمیق
مقدمه
عمر شبکه های های GAN کمتر از ده سال است.
شبکه های عصبی GAN
شبکه های عصبی GAN مدل های مولدی هستند که داده های جدید شبیه داده های آموزشی تولید می کنند.

تبدیل نقاشی به تصویر در سایت nvidia.com
چند مثال از شبکه های GAN

شبکه های GAN در سال 2014 در کنفرانس NIPS توسط آقای Lan Goodfellow و همکارانش ارائه شد .
تاریخچه
شبکه های GAN به عنوان شاخه ای یادگیری عمیق بسیار مورد توجه قرار گرفته است .به طوری که مدیر بخش تحقیقاتی Facebook میگوید :"شبکه های GAN به عنوان شاهکاری با کاربرد­های فراوان در یادگیری عمیق است که در ۱۰ سال اخیر در حوزه­ ی بینایی ماشین کم نظیر بوده است."

اهداف یادگیری ماشین
(machine learning)
دسته بندی داده ها:
تخمین داده ها:
تولید داده ها:
تشخیص جنسیت،تشخیص مرده از زنده،تشخیص ملیت...
تخمین دمای آب و هوا،تخمین قیمت مسکن،تخمین سن افراد...
تولید شعر،تولید موسیقی،تولید تصاویر و بازسازی آنها و...

در وب سایت person does not exists با هر بار بارگذاری سایت
تصویر جدیدی را میبینیم که وجود خارجی ندارد.اما اگر به جزئیات عکس توجه کنیم متوجه غیر واقعی بودن آن میشویم.
چند مثال از شبکه های GAN
تولید تصاویر غیرواقعی:

چند مثال از شبکه های GAN(ادامه)

کاربرد در fashion GAN:
چند مثال از شبکه های GAN
لباس افراد یا زاویه افراد را در عکس تغییر میدهد

دلایل به وجود آمدن شبکه های GAN
کمبود داده
زمان بر بودن روشهای دیگر
برطرف کردن مشکلات حریم خصوصی

GAN
معنای لغوی شبکه های GAN

مثال معروف شبکه های GAN
وظیفه پلیس:
تشخیص پول جعلی از واقعی است.
هدف دزد:
تولید پول جعلی است. به طوری که
پلیس نتواند آن را تشخیص دهد.

مثال معروف
شبکه های GAN(ادامه)
دزد و پلیس همزمان هم را تقویت میکنند درواقع دزد سعی کرده
سطح خودش را ارتقا دهد تا خروجی بهتری ارائه بدهد .
و پلیس هم در مقابل تجربه کسب میکند و اطلاعاتش را بالا میبرد
و راحت تر میتواند پول واقعی را از پول جعلی تشخیص بدهد.

ساختار شبکه های GAN
مولدی که داده های کاملا ساختگی میسازد.
صحت آن چرا که generator تولید کرده بررسی میکند.
:Generator
:Discriminator

شبکه های Discriminator و Generator
Generator
Discriminator
ورودی: یک ارایه ساده یا یک وکتور ساده
خروجی: عکس
ورودی: عکس
خروجی: 0 یا 1

ساختار شبکه های Discriminator و Generator
شبکه Generator داده تولید می‌کند و شبکه Discriminator بررسی می‌کند که این داده جعلی است یا واقعی. خروجی شبکه Generator به‌عنوان ورودی به شبکه Discriminator داده می‌شود.

ساختار شبکه های Discriminator و Generator
ساختار بالا که همیشه داده جعلی به شبکه Discriminator می‌دهد! اصلا هیچ داده واقعی وارد این شبکه نمی‌شود. پس لازم است ساختار بالا اصلاح شود. برای شبکه Discriminator یک ورودی دیگر هم درنظر می‌گیریم. این ورودی شامل داده‌های واقعی است.

ساختار شبکه های Discriminator و Generator
ساختار بالا یک نقص دیگر هم دارد. شبکه G هیچ‌گونه ورودی ندارد!
داده ای که به شبکه Generator میدهیم نویز یا داده رندم است.

دنبال
آموزش شبکه های Discriminator و Generator
شبکه Discriminator
هر داده با کیفیت که از Generator می آید به عنوان جعلی شناسایی کند
هر داده از سمت واقعی را به عنوان واقعی برچسب بزند.
شبکه Generator
دنبال
داده تولیدی اش از شبکه Discriminator به سلامت بگذرد و برچسب داده واقعی دریافت کند.
هدف Generator =شکست Discriminator
هدف Discriminator =شکست Generator
+شناسایی داده واقعی

آموزش شبکه های Discriminator و Generator (نمودار)

معایب شبکه های GAN
نداشتن دسترسی مستقیم به اطلاعات
ندادن اطلاعات در زمینه روند آموزش
مشخص نبودن اینکه ساختار متعادل شبکه چگونه تعیین شود.

تولید فیلم
تولید شخصیت های انیمیشنی
ترمیم تصویر
تولید تصاویر اشخاص با ژست مشخص
رزولوشن فوق العاده
تبدیل متن به تصویر
تولید اشیا سه بعدی از عکس
تولید ایموجی از تصویر
سن صورت
کاربردهای شبکه های GAN

راه حل چیست؟
راه حل های زیادی برای این مشکلات ارائه شده است اما این راه حل ها شرایط خاصی را میخواهند و یا با حل کردن مشکل در قسمتی دیگر مشکلی ایجاد میکنند.

امنیت فضای سایبری
در رویکرد اول از GAN برای بهبود پاسخ به حملات خصمانه پیش بینی نشده استفاده میشود.
در رویکرد دوم Gan برای داده هایی اموزش داده میشود که دارای ویژگی های مجاز هستند و همچنین هدفشان تولید داده های خصمانه واقعی است.

با توجه این تصاویر ما متوجه رشد سریع
و تصاعدی شبکه های GAN میشویم.
رشد شبکه های GAN

نتیجه گیری
شبکه های GAN قابلیت تولید هوشمندی جدید را به دنیای هوش مصنوعی وارد میکنند.
کاربردهای این شبکه بیشتر در حوزه ی تصویر بوده است. آینده این حوزه هم در حقیقت ربات هایی هستند که نقاشی های بینظری میتوانند بکشند و توانایی رفع هر نیازی را دارند. یافتن کاربرد های جدید هم برای شبکه های GAN خود یک موضوع علمی میتواند باشد.

از توجه شما سپاسگزاریم.