Generator vs. Discriminator: Das Spiel
Zwei Netzwerke konkurrieren und verbessern sich dabei.
Generator vs. Discriminator: Das Spiel ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Two Networks, One Game
A GAN is two neural networks playing a game: one invents fake data, the other tries to catch it. Their rivalry is what makes both improve. 🎭
Meet the Generator
The generator starts with random noise and shapes it into something that looks like real data, such as a fake face. It never sees the real images directly.
Meet the Discriminator
The discriminator is a judge. It looks at a sample and outputs one number: how likely it thinks that sample is real rather than fake.
Noise In, Image Out
You feed the generator a vector of random numbers called the latent vector. Different vectors produce different outputs, so noise becomes the seed of creativity.
z = torch.randn(1, 100)
fake = generator(z)A Forger and a Detective
Think of a forger making fake bills and a detective spotting them. Each one pushes the other to get sharper. That tug-of-war is the heart of a GAN.
Real or Fake Label
The discriminator trains on labels: real images get 1 and generated images get 0. It learns to tell the two apart with confidence.
real_label = 1.0
fake_label = 0.0The Generator's Goal
The generator wins when the discriminator labels its fakes as real. So its goal is to fool the judge, not to copy any single image exactly.
Adversarial Means Opposed
Their objectives are opposite, which is why we call it adversarial. The discriminator wants to be right; the generator wants it to be wrong.
Improving Together
As the discriminator gets pickier, the generator must make better fakes to keep fooling it. This feedback loop lifts both networks over time.
Two Optimizers
Because the players have separate goals, each network gets its own optimizer and updates on its own turn during training.
opt_g = torch.optim.Adam(G.parameters())
opt_d = torch.optim.Adam(D.parameters())The Goal: Indistinguishable
Training ideally ends when the discriminator can only guess, near 50 percent. At that point the fakes are practically indistinguishable from real data.
Quick Check
Let's make sure the roles are clear.
Recap: The GAN Game
You met both players: a generator that forges data from noise and a discriminator that judges it. Their rivalry drives both to improve. 🎉
Häufig gestellte Fragen
Ist die Lektion „Generator vs. Discriminator: Das Spiel“ kostenlos?
Ja — der vollständige Text von „Generator vs. Discriminator: Das Spiel“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Generator vs. Discriminator: Das Spiel“?
Zwei Netzwerke konkurrieren und verbessern sich dabei. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „Generator vs. Discriminator: Das Spiel“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Generator vs. Discriminator: Das Spiel
- Der adversariale Loss
- Einen DCGAN erstellen
- Mode Collapse und stabilisierende Tricks