Çekişmeli Kayıp

Her GAN oyuncusu ne kadar başarılı olduğunu ölçen bir kayıptan öğrenir. İki kayıp zıt yönlere çeker; eğitimi çekişmeli yapan da budur.

GAN eğitimi bir min-maks oyunudur: ayırt edici puanını en üst düzeye çıkarmaya, üretici ise en aza indirmeye çalışır. Hiçbiri tamamen kazanamaz.

Çoğu GAN, her tahmini ikili çapraz entropiyle ölçer; bu, gerçek-sahte şeklindeki evet veya hayır kararları için kullanılan standart kayıptır.

Önce ayırt edici gerçek görüntüleri görür ve bunları gerçek olarak sınıflandırmalıdır. Gerçek kaybı, bu çıktıların 1 etiketine yaklaşmasını sağlar.

Sonra üretilen görüntüleri değerlendirir ve bunları sahte olarak sınıflandırmalıdır. Sahte kaybı, bu çıktıların 0 etiketine yaklaşmasını sağlar.

Ayırt ediciyi güncellerken sahte veriler üzerinde detach çağırırsınız; böylece bu adımda gradyanlar üreticiye geri akmaz.

Üretici, sahte verilerinin gerçek olarak etiketlenmesini ister; bu nedenle kaybı, ayırt edicinin sahte veriler hakkındaki kararını 1 etiketiyle karşılaştırır.

Üreticiye yalnızca sahteliği en aza indirmesini değil, gerçeklik olasılığını en üst düzeye çıkarmasını söylemek, başlangıçta daha güçlü gradyanlar sağlar. Buna doymayan kayıp denir.

Her eğitim turunda iki güncelleme yapılır: önce ayırt edici birleşik kaybıyla, ardından üretici kendi kaybıyla güncellenir. Sıra ve zamanlama önemlidir.

Her iki ağ da her adımda değiştiği için her biri hareketli bir hedefin peşinden gider. GAN kayıplarının düzgün biçimde azalmak yerine dalgalanmasının nedeni budur.

GAN'de azalan bir kayıp daha iyi görüntüler anlamına gelmez. Kaliteyi yalnızca kayıp sayısına bakarak değil, örneklere bakarak değerlendirirsiniz. 👀

Min-maks oyununu gördünüz: çapraz entropi her iki oyuncuyu yönlendirir, yargıç için sahte verilerden ayrıştırma yapılır ve gerçek ilerlemeyi kayıp değil örnekler gösterir. 🎯