Generative Adversarial Networks

39 Pages·2017·4 MB·Portuguese

Generative Adversarial
Networks (GANs)
Anderson Brilhador
● Introdução a GANs
● Como funciona uma GAN?
● Alguns desafios com GANs
Roteiro
● Aplicações de GANs
● Implementação
(keras + TensorFlow)
Introdução
● Modelos discriminativos
○ Aprendem uma função que mapeia uma entrada x para uma saída y;
○ Probabilidade condicional P(y|x);
○ Exemplo: SVM, CNN (Convolutional Neural Networks).
● Modelos generativos
○ Tentam modelar a probabilidade conjunta de x e y ao mesmo tempo;
○ Probabilidade conjunta P(x,y);
○ Exemplo: Modelos probabilístico generativo (LDA), Autoencoders (AEs).
● GAN é um modelo generativo com aprendizado "não" supervisionado.
Como funciona uma GAN? (Exemplo Intuitivo)
Gerador Discriminador
Objetivo: produzir dinheiro falsificado Objetivo: diferenciar entre dinheiro
o mais similar possível ao dinheiro falsificado e dinheiro verdadeiro.
verdadeiro.
Como funciona uma GAN? (Arquitetura)
GAN - "Generative Adversarial Networks" - https://arxiv.org/abs/1406.2661
Treinamento do discriminador
GAN - "Generative Adversarial Networks" - https://arxiv.org/abs/1406.2661
Treinamento do gerador
GAN - "Generative Adversarial Networks" - https://arxiv.org/abs/1406.2661
Formulação matemática de uma GAN
GAN - "Generative Adversarial Networks" - https://arxiv.org/abs/1406.2661
● Duas redes competem entre si (minmax game):
○ O Discriminador tenta maximizar a probabilidade de uma imagem real ser classificada como
real, minimizando a probabilidade de uma imagem falsa seja classificada como pertencente
ao conjunto de dados real;
■ O Discriminador maximiza a função de erro D(x) e também minimiza D(G(z));
○ O Gerador tenta enganar o discriminador, maximizando a probabilidade de que qualquer
imagem falsa seja classificada como pertencente ao conjunto de dados real;
■ O Gerador maximiza a função de erro D(G(z)).
Treinamento
Discriminador
Treinamento
Gerador