Interessant

Generative gegnerische Netzwerke: Die Technologie hinter DeepFake und FaceApp

Generative gegnerische Netzwerke: Die Technologie hinter DeepFake und FaceApp


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Generative Adversarial Networks oder GANs wurden in den letzten Jahren zunehmend diskutiert. Wenn Sie 10 Jahre zurückgehen, werden Sie keine Spur eines solchen Themas finden. Also, was hat Generative Adversarial Networks in den Vordergrund gerückt und warum sollte es Sie interessieren? Lass uns diskutieren.

Wann immer es eine Diskussion über generative kontradiktorische Netzwerke oder GANs gibt, steht dies immer im Zusammenhang mit KI, maschinellem Lernen oder tiefem Lernen. Obwohl dieses Thema ziemlich umfangreich ist, soll dieser Artikel Ihnen helfen, es in vereinfachten Begriffen zu verstehen.

Beginnen wir mit dem Begriff selbst - Generative Adversarial Networks.

VERBINDUNG: DIESES NEUE KI-SYSTEM KANN SEHEN, WAS SIE DENKEN

GANs sind grundsätzlich ein Ansatz zur generativen Modellierung unter Verwendung von Deep-Learning-Methoden. Das Wort „generativ“ im Begriff weist auf die Eigenschaft der GANs hin, etwas Eigenes zu schaffen.

Wie kann ein Programm die Kreativität haben, etwas Eigenes zu machen? Wir geben ihm die Kraft des maschinellen Lernens, wo es aus früheren Daten lernen kann.

Wenn Sie also GANs mit einer Menge Bildern füttern, kann ein eigenes Bild erstellt werden. Gleiches gilt für jeden Datensatz.

Angesichts dieser Definition stoßen wir auf ein Problem, bei dem es keinen Filter gibt, mit dem die Ausgabe des Generators auf ihre Authentizität überprüft werden kann. Der Generator kann alles erstellen, was mit seinem Referenzdatensatz zusammenhängt, ohne zu wissen, wo dies für uns akzeptabel wäre oder nicht.

Um dieses Problem zu lösen, verfügen GANs über ein diskriminierendes Netzwerk, das die generierten Daten mit den wahren Daten überprüft. Dies ist der kontroverse Teil eines generativen kontradiktorischen Netzwerks. Wir stellen im Wesentlichen das generative Netzwerk und das diskriminierende Netzwerk gegeneinander auf und schaffen Gegner miteinander.

Ein diskriminierendes Netzwerk oder ein Diskriminator wird verwendet, um die generierten Werte des Generators in Schach zu halten. Und die Aufgabe des Generators besteht darin, den Diskriminator zu täuschen, dass generierte Werte tatsächlich real und nicht computergeneriert sind.

Dies ist das Grundkonzept von GANs.

GANs werden in dem Artikel von Ian Goodfellow und anderen Forschern der Universität von Montreal mit dem treffenden Titel Generative Adversarial Networks ausführlicher erläutert.

In dem Papier haben sie klar erwähnt, dass der gesamte Zweck des generativen Netzwerks darin besteht, das diskriminierende Netzwerk dazu zu bringen, einen Fehler zu machen. Und das diskriminierende Netzwerk macht nur dann einen Fehler, wenn es nicht zwischen maschinengenerierten Daten und Trainingsdaten unterscheiden kann.

Der beste Weg, ein GAN zu trainieren, ist die Verwendung der MNIST-Datenbank (Modified National Institute of Standards and Technology-Datenbank).

Die Datenbank besteht aus einem Trainingssatz von 60.000 Beispielen und einem Testsatz von 10.000 Beispielen. MNIST Training verwendet handschriftliche numerische Werte.

Sie sind ein guter Anfang für alle, die nach Ressourcen suchen, um Netzwerke zu trainieren. Es ist ein Datensatz, der von Ian und seinem Team zum Trainieren des Modells verwendet wurde.

Aus diesen Daten geht hervor, dass die beste Analogie, die wir für GAN verwenden können, darin besteht, dass es sich um ein Spiel für zwei Spieler handelt, bei dem jeder Spieler sein Bestes versucht, sich gegenseitig zu schlagen.

Vielleicht erinnern Sie sich noch an die Nachrichtenwelle Ende Dezember 2018 über realistisch aussehende Bilder, die von einer KI generiert wurden. Nun, das war GAN!

Wenn Sie sich diese Bilder ansehen, können Sie leicht erkennen, warum dies eine so große Geschichte war. Die Bilder waren nicht von den realen Bildern eines menschlichen Gesichts zu unterscheiden.

Die Leute hinter dem Projekt waren NVidia, der beliebte Hardware- und Softwareentwickler für Computergrafik. Die Forscher hinter dem Projekt bereiteten ein Papier über seine Entwicklung und ihre Ergebnisse mit dem Titel Eine stilbasierte Generatorarchitektur für generative kontradiktorische Netzwerke vor.

Die Forscher von NVidia haben 8 Wochen lang die Netzwerke trainiert, wobei acht ihrer Tesla-Grafikkarten verwendet wurden.

Dies wirft sicherlich einige Fragen auf, wie wir Bilddaten nicht mehr vertrauen können. Wenn wir in der Lage sind, menschliche Gesichter aus Referenzbildern zu erstellen, wird es nicht lange dauern, bis wir perfekte Gesichter erstellen können, wodurch Modelle arbeitslos werden!

Viele äußern Bedenken hinsichtlich der Verwendung von Bilddaten im Justizsystem, wenn die Software Bilder so effektiv verändern kann. Dies ist sicherlich etwas zum Nachdenken!

Zurück zum Thema, wie weit die GAN-Entwicklung ist, zeigt nichts ein klareres Bild der Technologie als das Experiment von NVidia. Wir sind in der Lage, realistisch aussehende Gesichter zu erstellen, die nicht nur glaubwürdig, sondern vom Computer hochgradig anpassbar sind.

Es wird noch geforscht, um GANs leistungsfähiger zu machen, um realistische Daten zu erstellen, und mit weniger stromhungrigen Anforderungen.

GANs können in einer Vielzahl von Anwendungen verwendet werden, hauptsächlich im Zusammenhang mit Bildern, aber das wird sich sicherlich ändern. Derzeit werden GANs verwendet in:

Generieren neuer Inhalte (Bilder): GANs können verwendet werden, um lebensechte Bilder aus einer Reihe von Quellbildern zu erstellen. Die Verwendung eines solchen Systems dient lediglich dem Verständnis der Fähigkeiten der GANs.

Einige argumentieren, dass diese Technologie verwendet werden kann, um das Aussehen eines Babys anhand der Fotos seiner Eltern zu bestimmen.

Altern oder Entalterung: Mit einem robusten Satz von Beispielbildern können GANs menschliche Gesichter erfolgreich altern oder altern lassen. Die jüngste Beliebtheit einer App namens FaceApp zeigt, wie beliebt diese Technologie bei den Massen ist.

Wenn Sie sich über die Technologie hinter FaceApp, seinen GANs, wundern.

Färben von Schwarzweißfotos: Wenn ein GAN gut genug trainiert ist, kann es Fotos einfärben und es bemerkenswert gut machen. Diese Technologie kann in der Tat alte Fotos zum Leben erwecken und uns einen Einblick in diese Zeit in Farbe geben.

Auflösungsverbesserung: Wenn Sie versucht haben, die Auflösung eines niedrigen Ergebnisses in einem Bild zu verbessern, ist das Ergebnis immer ein verschwommenes Durcheinander mit ausgeblasenen Pixeln. GAN ersetzt jedoch jedes zusätzliche Bild und erstellt qualitativ hochwertige Verbesserungsbilder, selbst wenn deren Auflösung niedrig ist.

Die Welt hat viele Beispiele für GANs bei der Arbeit gesehen, und die laufenden Forschungen in dieser Richtung weisen auf viele weitere unerwartete Anwendungen von GANs in der Zukunft hin.

VERBINDUNG: AIs weiterhin auf unvorhersehbare Weise handeln, sollten wir in Panik geraten?

Die Technologie ist revolutionär und wir können erwarten, dass GANs auf mehr als einer Weise auf unseren Geräten angezeigt werden. Bevor diese Technologie ausgereift ist, sind jedoch ernsthafte Diskussionen über den ethischen Einsatz derart leistungsfähiger Deep-Learning-Methoden erforderlich.


Schau das Video: This AI Makes Audio Deepfakes (Kann 2022).