Loss Berlawanan
Latihan min-maks dalam amalan.
Loss Berlawanan ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Kehilangan Menggerakkan Kedua-dua Pemain
Setiap pemain GAN belajar daripada kehilangan yang menilai prestasinya. Kedua-dua kehilangan bergerak dalam arah bertentangan, lalu menjadikan latihan bersifat adversarial.
Permainan Min-Maks
Latihan GAN ialah permainan min-maks: pembeza cuba memaksimumkan skornya, manakala penjana cuba meminimumkannya. Tiada pihak yang menang sepenuhnya.
Silang Entropi Binari
Kebanyakan GAN mengukur setiap ramalan menggunakan silang entropi binari, iaitu kehilangan piawai untuk keputusan ya atau tidak antara nyata dengan palsu.
criterion = nn.BCELoss()Pembeza pada Data Nyata
Mula-mula pembeza melihat imej sebenar dan sepatutnya menganggapnya nyata. Kehilangan nyata menolak output itu ke arah label 1.
out_real = D(real)
loss_real = criterion(out_real, ones)Pembeza pada Hasil Palsu
Seterusnya, ia menilai imej yang dijana dan sepatutnya menganggapnya palsu. Kehilangan palsu menolak output itu ke arah label 0.
out_fake = D(fake.detach())
loss_fake = criterion(out_fake, zeros)Mengapa detach Hasil Palsu
Semasa mengemas kini pembeza, anda memanggil detach pada hasil palsu supaya kecerunan tidak mengalir kembali ke penjana dalam langkah ini.
fake.detach()Kehilangan Penjana
Penjana mahu hasil palsunya dilabelkan sebagai nyata, jadi kehilangannya membandingkan keputusan pembeza terhadap hasil palsu dengan label 1.
out = D(fake)
loss_g = criterion(out, ones)Helah Tanpa Ketepuan
Menyuruh penjana memaksimumkan sifat nyata, bukannya sekadar meminimumkan sifat palsu, menghasilkan kecerunan awal yang lebih kuat. Inilah kehilangan tanpa ketepuan.
Dua Kemas Kini, Satu Pusingan
Setiap pusingan latihan melakukan dua kemas kini: mula-mula pembeza dengan kehilangan gabungannya, kemudian penjana dengan kehilangannya sendiri. Turutan dan masa penting.
Sasaran yang Sentiasa Bergerak
Oleh sebab kedua-dua rangkaian berubah pada setiap langkah, setiap rangkaian mengejar sasaran yang sentiasa bergerak. Sebab itulah kehilangan GAN turun naik dan bukannya menurun dengan lancar.
Kehilangan Bukan Ketepatan
Dalam GAN, kehilangan yang menurun tidak bermaksud imej menjadi lebih baik. Anda menilai kualiti dengan melihat sampel, bukan berdasarkan nombor kehilangan sahaja. 👀
Semakan Pantas
Satu perincian sering mengelirukan ramai pemula.
Ringkasan: Kehilangan Adversarial
Anda telah melihat permainan min-maks: silang entropi membimbing kedua-dua pemain, hasil palsu dipisahkan untuk hakim dan sampel, bukannya kehilangan, menunjukkan kemajuan sebenar. 🎯
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Loss Berlawanan” percuma?
Ya — teks penuh “Loss Berlawanan” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Loss Berlawanan”?
Latihan min-maks dalam amalan. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.
Berapa lamakah pelajaran “Loss Berlawanan” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.