Генератор: От идеи до холста
Глубоко в тайном подвале амбициозный фальсификатор стоит перед огромным пустым свитком. Он не начинает с аккуратного наброска. Вместо этого он берет небольшую, кажущуюся случайной кляксу туши и капает ее ровно в центр.
Для нетренированного глаза это просто хаотичное пятно. Но в его голове эта клякса содержит «семя» всей будущей картины. Шаг за шагом он расширяет ее от центра к краям. Он растягивает тушь, формируя сначала общие контуры, затем превращая их в ветви, потом в листья и, наконец, в тончайшие прожилки. Он берет что-то маленькое и бессмысленное и масштабирует его до гиперреалистичного шедевра высокого разрешения.
Реальность
В генеративно-состязательной нейросети (GAN) этого художника называют «Генератором».
Задача Генератора — создавать фейковые данные (например, фото лица), которые выглядят настолько правдоподобно, что могут обмануть кого угодно. Но он не начинает с чистого холста. Он начинает с короткой строки абсолютно случайных чисел, которую называют «вектором шума».
С помощью математического процесса под названием «апсемплинг» (upsampling — повышение размерности), Генератор берет эту крошечную сжатую строку шума и постепенно ее расширяет. Он превращает эти случайные числа сначала в грубый блок пикселей, затем в размытую форму, и, наконец, в четкое изображение высокого разрешения.
Почему это важно
Зачем начинать со случайного шума? Потому что если бы Генератор всегда начинал с одного и того же чистого холста, он всегда рисовал бы ровно одну и ту же картину. Случайный шум работает как «семя» вдохновения. Слегка изменяя цифры в этой первоначальной кляксе шума, мы заставляем Генератор разворачивать изображение в совершенно другом направлении — получая бесконечное разнообразие уникальных картинок вместо одной-единственной.
Главная мысль
Генератор не рисует линии; он разворачивает крошечную каплю хаоса в детализированную реальность.
Специалисты по ИИ называют это: Генератор (сеть апсемплинга)
Генератор в GAN обычно использует транспонированные свертки для повышения размерности (upsampling) низкоразмерного вектора скрытого шума (z) в высокоразмерное пространство данных (например, изображение), обучаясь отображать априорное распределение на сложное распределение целевых данных.
💬 Если бы вам пришлось создать шедевр, отталкиваясь от одной случайной кляксы, какую форму вы попытались бы вытянуть из нее первой?
Часть 4 из 14 | #GenerativeModelsForHumans
#ai_edu На основе лекций Стэнфорда и индустрии