方面我们有判别网络它可以识别第一个网络生成的内容是否适应预期结果。通过这种方式其中一个网络或是文本图像还是声音。然而正如我们所说人工智能并不擅长创造新材料。因此为了获得想要的结果第二个神经网络就发挥了作用它基本上致力于识别所创建的内容是否符合预期丢弃所有无效的内容直。
到找到预期结果这是通过种游戏
发生的两个网络正在竞争一个赢了另一个就输了。因此直到实现预期目标并且生成网络创建了 阿尔巴尼亚 WhatsApp 号码列表 预期的目标。例如你可以尝试获取要生成的猫的照片一开始生成网络会给出随机图像甚至静态噪声直到判别网络开始干预然后生成网络开始慢慢接近。期望的结果猫的照片。通过训练生成网络创建可以欺骗判别。
网络的图像例如很好地使用
颜色但是在给定时刻判别网络将开始区分形状然后生成网络将失败直到它学会创建它们。这是一个每个网络都不断改进并向对手学习的过程古德费洛对抗生成网络应用优点和缺点您肯定听说过假人脸生成器。这是对抗生成网络近年来的应用之一。以至于能够创建不属于现实中存在的任何人的超现实的人脸图像。
由于对抗性生成网络这导致了大量网页的创建这些网页生成各种图像。从房间和动漫人物到动物。但这还不止于此因为这些类型的学习模型也负责深度伪造视频。我想致力于的原因之一是这些模型有潜力生成我们可以在现实世热 BSB 目录 程界中使用的对象然而我们的想法是对抗生成网络在未来有更大的应用。至少古德费洛在多个场合是这么表达的。这。
