Generator बनाम Discriminator: खेल

GAN दो तंत्रिका नेटवर्क का खेल है: एक नकली डेटा बनाता है और दूसरा उसे पकड़ने की कोशिश करता है। उनकी प्रतिद्वंद्विता ही दोनों को बेहतर बनाती है। 🎭

जनरेटर यादृच्छिक शोर से शुरू करके उसे वास्तविक डेटा जैसी वस्तु में बदलता है, जैसे नकली चेहरा। वह वास्तविक चित्रों को सीधे कभी नहीं देखता।

विभेदक एक निर्णायक की तरह काम करता है। वह किसी नमूने को देखकर एक संख्या देता है: उसके अनुसार वह नमूना नकली के बजाय वास्तविक होने की कितनी संभावना रखता है।

आप जनरेटर को यादृच्छिक संख्याओं के एक सदिश का इनपुट देते हैं, जिसे गुप्त सदिश कहा जाता है। अलग-अलग सदिश अलग-अलग आउटपुट बनाते हैं, इसलिए शोर रचनात्मकता का बीज बन जाता है।

कल्पना कीजिए कि एक जालसाज़ नकली नोट बना रहा है और एक जासूस उन्हें पहचान रहा है। दोनों एक-दूसरे को अधिक कुशल बनने के लिए प्रेरित करते हैं। यही खींचतान GAN का केंद्र है।

विभेदक लेबल पर प्रशिक्षण लेता है: वास्तविक चित्रों को 1 और जनरेट किए गए चित्रों को 0 मिलता है। वह आत्मविश्वास के साथ दोनों में अंतर करना सीखता है।

जनरेटर तब जीतता है, जब विभेदक उसके नकली चित्रों को वास्तविक चिह्नित करता है। इसलिए उसका लक्ष्य निर्णायक को धोखा देना है, किसी एक चित्र की हूबहू नकल करना नहीं।

उनके उद्देश्य एक-दूसरे के विपरीत होते हैं, इसलिए इसे विरोधात्मक कहा जाता है। विभेदक सही होना चाहता है; जनरेटर उसे गलत साबित करना चाहता है।

जैसे-जैसे विभेदक अधिक सावधान होता जाता है, जनरेटर को उसे लगातार धोखा देने के लिए बेहतर नकली चित्र बनाने पड़ते हैं। यह प्रतिक्रिया चक्र समय के साथ दोनों नेटवर्क को बेहतर बनाता है।

क्योंकि दोनों खिलाड़ियों के लक्ष्य अलग हैं, इसलिए हर नेटवर्क को अपना अनुकूलक मिलता है और प्रशिक्षण के दौरान अपनी बारी पर वह स्वयं अपडेट होता है।

आदर्श रूप से प्रशिक्षण तब समाप्त होता है, जब विभेदक केवल अनुमान लगा सके—लगभग 50 प्रतिशत सटीकता के साथ। उस समय नकली डेटा वास्तविक डेटा से लगभग अलग नहीं किया जा सकता।

आप दोनों खिलाड़ियों से परिचित हुए: जनरेटर, जो शोर से डेटा गढ़ता है, और विभेदक, जो उसका निर्णय करता है। उनकी प्रतिद्वंद्विता दोनों को बेहतर बनाती है। 🎉