Генеративно-состязательные сети (GAN)

Как проходит обучение

Минимикс-состязательный целевой функционал объединяет две сети. Практические варианты меняют функции потерь, регуляризацию, нормализацию и условия для стабилизации обучения и контроля над выходными данными.

Как выполняется инференс

Выборка случайного латентного вектора и однократный запуск генератора делают генерацию быстрой. Инверсия или редактирование требуют дополнительного оборудования, поскольку отсутствует встроенный итеративный обратный процесс.

Сильные стороны

• •Быстрая выборка за один проход
• •Четкие выходные данные в ограниченных визуальных областях
• •Полезные условные и преобразования изображений

Компромиссы

• •Нестабильность обучения и схлопывание мод
• •Охват и правдоподобие сложно оценить
• •Генерация больших текстов, обусловленных широкой областью применения, сместилась в сторону других семейств моделей

Использовать, когда

• Задержка выборки имеет значение в ограниченной области
• Существующий проверенный конвейер GAN уже соответствует данным и управляет ими
• Разнообразие и охват оцениваются явно

Избегать или пересмотреть, когда

• Стабильность обучения и широкое покрытие мод являются основными требованиями
• У команды нет оценки, специфичной для предметной области
• Не сравнивается более новая диффузионная или авторегрессионная модель