La perte antagoniste
L’entraînement minimax en pratique.
La perte antagoniste est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
La perte guide les deux joueurs
Chaque joueur d’un GAN apprend grâce à une perte qui évalue sa performance. Les deux pertes tirent dans des directions opposées, ce qui rend l’entraînement adversarial.
Le jeu min-max
L’entraînement d’un GAN est un jeu min-max : le discriminateur cherche à maximiser son score tandis que le générateur cherche à le minimiser. Aucun des deux ne gagne complètement.
Entropie croisée binaire
La plupart des GAN mesurent chaque prédiction avec l’entropie croisée binaire, la perte standard pour une décision binaire réel contre faux.
criterion = nn.BCELoss()Le discriminateur sur les vraies données
Le discriminateur examine d’abord les vraies images et doit les identifier comme réelles. Sa perte sur les données réelles pousse ces sorties vers l’étiquette 1.
out_real = D(real)
loss_real = criterion(out_real, ones)Le discriminateur sur les faux exemples
Il évalue ensuite les images générées et doit les identifier comme fausses. La perte sur les faux exemples pousse ces sorties vers l’étiquette 0.
out_fake = D(fake.detach())
loss_fake = criterion(out_fake, zeros)Pourquoi appliquer detach aux faux exemples
Lors de la mise à jour du discriminateur, vous appelez detach sur les faux exemples afin que les gradients ne remontent pas jusqu’au générateur à cette étape.
fake.detach()La perte du générateur
Le générateur veut que ses faux exemples soient étiquetés comme réels. Sa perte compare donc la décision du discriminateur sur ces faux exemples à l’étiquette 1.
out = D(fake)
loss_g = criterion(out, ones)L’astuce non saturante
Demander au générateur de maximiser le caractère réel de ses productions, plutôt que de simplement minimiser leur caractère faux, fournit des gradients plus forts au début. C’est la perte non saturante.
Deux mises à jour, un seul tour
Chaque tour d’entraînement effectue deux mises à jour : d’abord celle du discriminateur avec sa perte combinée, puis celle du générateur avec sa propre perte. L’ordre et le moment comptent.
Une cible mouvante
Comme les deux réseaux changent à chaque étape, chacun poursuit une cible mouvante. C’est pourquoi les pertes des GAN fluctuent au lieu de diminuer régulièrement.
Les pertes ne sont pas la précision
Dans un GAN, une perte qui diminue ne signifie pas que les images s’améliorent. Vous évaluez la qualité en regardant les échantillons, et non avec le seul nombre de la perte. 👀
Vérification rapide
Un détail déroute beaucoup de débutants.
Récapitulatif : perte adversariale
Vous avez découvert le jeu min-max : l’entropie croisée guide les deux joueurs, les faux exemples sont détachés pour le juge et les échantillons, plutôt que la perte, révèlent les progrès réels. 🎯
Apprends Python avec un tuteur IA — gratuit
Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.
- Cours
- 30
- Leçons
- 120
Questions Fréquemment Posées
La leçon « La perte antagoniste » est-elle gratuite ?
Oui — le texte complet de « La perte antagoniste » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « La perte antagoniste » ?
L’entraînement minimax en pratique. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « La perte antagoniste » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Générateur ou discriminateur : le jeu
- La perte antagoniste
- Construire un DCGAN
- Effondrement des modes et astuces de stabilisation