Waa maxay Shabakadda Adversarial Network (GAN)?

Shabakadaha Adversarial Networks (GANs) waa noocyada naqshadaha shabakada neural awood u leh inuu soo saaro xog cusub taas oo waafaqsan qaababka la bartay. GAN-yada waxaa loo isticmaali karaa in lagu soo saaro sawirada wejiyada bini'aadamka ama shay kale, si loo sameeyo tarjumaad-u-muuqaal, in hal nooc oo muuqaal ah loo beddelo mid kale, iyo in kor loo qaado xallinta sawirada (xalka sare) iyo codsiyada kale. Sababtoo ah GAN-yadu waxay soo saari karaan gebi ahaanba xog cusub, waxay madax ka yihiin nidaamyo badan oo AI ah oo goyn kara, codsiyada, iyo cilmi-baarista. Si kastaba ha ahaatee sida saxda ah ee GAN-yadu u shaqeeyaan? Aynu sahamino sida ay GAN-yadu u shaqeeyaan oo aynu eegno qaar ka mid ah adeegsigooda aasaasiga ah.

Qeexida Model-abuurka iyo GAN-yada

GAN waa tusaale ka mid ah moodeelka wax-soo-saarka. Inta badan moodooyinka AI waxaa loo qaybin karaa mid ka mid ah laba qaybood: moodooyinka la kormeero iyo kuwa aan la kormeerin. Moodooyinka waxbarashada la kormeero ayaa sida caadiga ah loo isticmaalaa in lagu takooro qaybaha kala duwan ee agabka, si loo kala saaro. Taa beddelkeeda, moodooyinka aan la ilaalin ayaa caadi ahaan loo adeegsadaa si loo soo koobo qaybinta xogta, inta badan wax la barto qaybinta xogta Gaussian. Sababtoo ah waxay bartaan qaybinta xogta xogta waxay ka soo saari karaan muunado qaybintan la bartay waxayna soo saari karaan xog cusub.

Noocyada kala duwan ee wax-soo-saarka ayaa leh habab kala duwan oo lagu soo saaro xogta iyo xisaabinta qaybinta itimaalka. Tusaale ahaan, the Naive Bayes model waxay ku shaqaysaa xisaabinta ixtimaalka qaybinta sifooyinka kala duwan ee wax gelinta iyo fasalka curinta. Marka qaabka Naive Bayes uu saadaaliyo, wuxuu xisaabiyaa fasalka ugu macquulsan isagoo qaadanaya itimaalka doorsoomayaasha kala duwan oo la isku darayo. Noocyada kale ee waxbarasho ee aan qoto dheerayn waxaa ka mid ah Gaussian Mixture Models iyo Qoondaynta Dirichlet qarsoon (LDA). Moodooyinka wax-soo-saarka ee ku salaysan qoto-dheeraanta waxaa ka mid ah Mashiinnada Boltzmann ee xaddidan (RBMs), Kala duwanaanshaha Autoencoders (VAEs), iyo dabcan, GANs.

Generative Adversarial Networks ahaayeen Markii ugu horreysay waxaa soo jeediyay Ian Goodfellow 2014, waxaana lagu hagaajiyay Alec Redford iyo cilmi-baarayaal kale 2015, taasoo horseedaysa qaab-dhismeedka caadiga ah ee GANs. GANs dhab ahaantii waa laba shabakadood oo kala duwan oo la isku daray. GAN-yadu waa oo ka kooban laba qaybood: qaab jiil iyo qaab takoorid, oo sidoo kale loo yaqaan koronto-dhaliye iyo takoorid.

Dhismaha GAN

Generative Adversarial Networks waa oo laga dhisay nooc koronto-dhaliye ah iyo nooc takoor ah oo la isku daray. Shaqada moodeelka koronto-dhaliyaha waa inuu abuuro tusaalooyin cusub oo xog ah, iyadoo lagu salaynayo qaababka uu tusaaluhu ka bartay xogta tababarka. Shaqada qaabka takoorka waa in uu falanqeeyo sawirada (iyada oo loo maleynayo in lagu tababaray sawirada) iyo in la go'aamiyo haddii sawirada la sameeyay/been abuur ah ama dhab ah.

Labada nooc waa la iska horkeenayaa, oo loo tababaray qaab ciyaareed. Habka koronto-dhaliyaha hadafkiisu waa inuu soo saaro sawirro khiyaaneynaya cadawgiisa - qaabka takoorka. Dhanka kale, qaabka takoorka shaqadiisu waa inuu ka adkaado cadawgiisa, nooca koronto dhaliyaha, oo uu qabto sawirada been abuurka ah ee uu soo saaro koronto dhaliyaha. Xaqiiqda ah in moodooyinka la isku haysto midba midka kale wuxuu keenayaa tartan hub ah halkaas oo labada noocba ay horumariyaan. Takoorku wuxuu helayaa jawaab celin ku saabsan sawirada dhabta ah iyo sawirada uu sameeyay koronto-dhaliye, halka koronto-dhaliyaha la siiyo macluumaadka ku saabsan sawirada uu ku tilmaamay been abuur uu sameeyay takooruhu. Labada noocba waxay wanaajiyaan inta lagu jiro tababarka, iyada oo ujeedadu tahay in la tababaro qaab jiil oo soo saari kara xog been abuur ah oo asal ahaan aan kala sooci karin xogta dhabta ah ee dhabta ah.

Marka xogta qaybinta Gaussian la abuuro inta lagu jiro tababarka, qaabka wax-soo-saarka ayaa la isticmaali karaa. Qaabka koronto-dhaliyaha ayaa markii hore la quudin jiray vector random, kaas oo ay u beddesho iyadoo lagu saleynayo qaybinta Gaussian. Si kale haddii loo dhigo, vector-ku wuxuu abuuraa jiilka. Marka qaabka la tababaro, booska vector-ku wuxuu noqon doonaa nooc la cufan, ama matalaad, qaybinta xogta Gaussian. Nooca la cufan ee qaybinta xogta waxaa loo tixraacaa meel qarsoon, ama doorsoomayaasha qarsoon. Ka dib, qaabka GAN wuxuu markaa qaadan karaa matalaadda bannaan ee daahsoon oo uu ka soo jiido dhibco, taas oo la siin karo qaabka jiilka oo loo isticmaalo in lagu soo saaro xog cusub oo aad u la mid ah xogta tababarka.

Qaabka takoorka waxaa la siiyaa tusaalooyin laga soo qaatay dhammaan goobta tababarka, kaas oo ka kooban tusaalooyin xog dhab ah iyo mid la soo saaray labadaba. Tusaalooyinka dhabta ah waxay ku jiraan xogta tababarka, halka xogta been abuurka ah ay soo saartay qaabka wax-soo-saarka. Habka tababarida qaabka takoorku waxa uu la mid yahay tababbarka aasaasiga ah, ee kala soocidda laba-geesoodka ah.

Habka Tababarka ee GAN

Aan wada eegno tababarka geedi socodka hawl abuur sawir mala awaal ah.

Si loo bilaabo, GAN waxaa lagu tababaray iyadoo la adeegsanayo sawirro dhab ah oo run ah oo qayb ka ah xogta tababarka. Tani waxay dejinaysaa qaabka takoorka si loo kala saaro sawirada la sameeyay iyo sawirada dhabta ah. Waxa kale oo ay soo saartaa qaybinta xogta uu koronto-dhaliye u isticmaali doono si uu u soo saaro xog cusub.

Koronto-dhaliyuhu waxa uu qaataa qayb xog tirooyin ah oo random ah oo beddelaa iyaga oo ku salaysan qaybinta Gaussian, soo celinta sawir. Sawirradan la soo saaray, oo ay weheliyaan sawirro dhab ah oo laga helay kaydka xogta tababarka, ayaa lagu shubay qaabka takoorka. Takoorku waxa uu samayn doonaa saadaal macquul ah oo ku saabsan dabeecadda sawirada uu helayo, isaga oo soo saaraya qiime u dhexeeya 0 iyo 1, halkaas oo 1 uu yahay sawirro caadi ah iyo 0 waa sawir been abuur ah.

Ciyaarta waxaa ku jira jawaab celin laba jibaaran, sida takoorka dhulka lagu quudiyo xaqiiqada dhabta ah ee sawirada, halka koronto-dhaliye la siiyo jawaab celin ku saabsan waxqabadkiisa takooriyuhu.

Moodooyinka abuurista iyo takoorka ayaa midba midka kale ku ciyaaraya ciyaar eber ah. Ciyaarta eber-ku-darka ahi waa mid ay faa'iidooyinka dhinac ka helaan ay ku yimaaddaan kharashka dhinaca kale (wadarta labada falba waa eber ex). Marka qaabka takoorka uu awoodo inuu si guul leh u kala saaro tusaalooyinka dhabta ah iyo kuwa been abuurka ah, wax isbeddel ah laguma sameeyo xuduudaha takoorka. Si kastaba ha ahaatee, cusbooneysiin weyn ayaa lagu sameeyaa cabbirada moodeelka marka ay ku guuldareysato inay kala soocaan sawirada dhabta ah iyo kuwa been abuurka ah. Ka-soo-jeedku waa run moodeelka curinta, waa la ganaaxaa (iyo cabbiradiisu waa la cusboonaysiiyaa) marka ay ku guul darreysato in ay nacasyo qaabka takoorka, laakiin haddii kale cabbiradiisu isma beddelaan (ama waa la abaal-mariyey).

Fikrad ahaan, koronto-dhaliyuhu wuxuu awoodaa inuu hagaajiyo waxqabadkiisa ilaa heer uusan takooriyuhu kala saari karin sawirada been abuurka ah iyo kuwa dhabta ah. Tani waxay ka dhigan tahay in takooruhu had iyo jeer bixin doono ixtimaalka %50 ee sawirada dhabta ah iyo kuwa been abuurka ah, taasoo la micno ah in sawirada la soo saaray ay yihiin kuwo aan la kala saari karin sawirada dhabta ah. Ficil ahaan, GAN-yadu caadi ahaan ma gaadhi doonaan meeshan. Si kastaba ha ahaatee, qaabka wax-soo-saarka uma baahna inuu abuuro sawirro la mid ah si uu weli faa'iido ugu yeesho hawlaha badan ee GAN-yada loo isticmaalo.

Codsiyada GAN

GAN-yadu waxay leeyihiin tiro codsiyo kala duwan ah, intooda badan waxay ku wareegayaan jiilka sawirada iyo qaybaha sawirada. GAN-yada waxaa caadi ahaan loo adeegsadaa hawlaha halka xogta sawirka loo baahan yahay ay maqan tahay ama ay xaddidan tahay awoodda qaar, hab lagu soo saaro xogta loo baahan yahay. Aynu eegno qaar ka mid ah kiisaska isticmaalka caadiga ah ee GAN-yada.

Abuurista Tusaalayaal Cusub oo loogu talagalay Xog-hawlgalayaasha

GAN-yada waxaa loo isticmaali karaa in lagu soo saaro tusaalayaal cusub oo loogu talagalay xog-ururinta sawirka fudud. Haddii aad haysato dhawr tusaale oo tababar ah oo aad u baahan tahay in ka badan, GAN-yada waxaa loo isticmaali karaa in lagu soo saaro xog tababar cusub oo loogu talagalay kala soocida sawirka, iyadoo la dhalinayo tusaalooyin tababar oo cusub jihooyin iyo xaglo kala duwan.

Abuurista Wajiyada Aadanaha ee Gaarka ah

Haweeneyda sawirkaan ka muuqata ma jirto. Sawirka waxaa sameeyay StyleGAN. Sawirka: Owlsmcgee iyada oo la sii marayo Wikimedia Commons, Domain Dadweynaha (https://commons.wikimedia.org/wiki/File:Woman_1.jpg)

Marka si ku filan loo tababaro, GAN-yada ayaa loo isticmaali karaa soo saar sawiro aad u macquul ah oo wajiyada aadanaha ah. Sawiradan la soo saaray waxaa loo isticmaali karaa in lagu caawiyo tababarida hababka aqoonsiga wejiga.

Turjumaadda Sawir-To-Sawirka

GANS aad ugu fiican tarjumaada sawirka. GAN-yada waxaa loo isticmaali karaa in lagu midabeeyo sawirada madow iyo caddaanka, loo turjumo sawir-gacmeedyo ama sawiro sawirro, ama loo beddelo sawirrada maalin ilaa habeen.

Turjumaada Qoraal-To-Sawirka

Turjumaada qoraalka-u-sawirku waa suurto gal iyadoo la isticmaalayo GANs. Marka lagu siiyo qoraal qeexaya sawirka iyo sawirka la socda, GAN ayaa kara loo tababaro in la abuuro muuqaal cusub marka la siiyo sharaxaad sawirka la rabo.

Tafatirka iyo Dayactirka Sawirada

GAN-yada waxaa loo isticmaali karaa in lagu saxo sawirada jira. GAN-yada ka saar walxaha sida roobka ama barafka ka sawir, laakiin sidoo kale waa loo isticmaali karaa dib u hagaajin sawiradii hore, burburay ama sawiradii xumaaday. 

Xallinta Sare

Xallinta sare waa habka qaadashada sawir hoose oo galinta pixels badan sawirka, hagaajinta xallinta sawirkaas. GAN-yada waxaa loo tababari karaa inay sawir ka qaataan soo saar nooc ka sarreeya sawirkaas.