GANشبکه های

1.

‫‪GAN‬شبکه های‬
‫‪:‬گردآورندگان‬
‫یگانه اخالقی رضاپور‪ ،‬پرناز عالقه بند‬
‫‪:‬ت‬
‫‪1400/9/10‬چ‬

2.

‫مقدمه‬
‫تاریخچه‬
‫‪ GAN‬آشنایی با شبکه های‬
‫‪ GAN‬بررسی چند مثال از شبکه های‬
‫فهرست مطالب‬
‫‪ GAN‬دالیل به وجود آمدن شبکه های‬
‫‪ GAN‬معنای لغوی شبکه های‬
‫‪ GAN‬ساختار شبکه های‬
‫‪Generator‬و ‪ Discriminator‬ساختار شبکه های‬
‫‪GAN‬‬
‫‪GAN‬کاربر‬
‫‪GAN‬‬

3.

‫مقدمه‬
‫یادگیری ماشین‬
‫یادگیری عمیق‬
‫مدل های مولدی هستند که داده های جدید شبیه داده های ‪GAN‬شبکه های عصبی‬
‫‪.‬آموزشی تولید می کنند‬
‫‪.‬کمتر از ده سال است ‪GAN‬عمر شبکه های های‬
‫‪GAN‬شبکه های عصبی‬

4.

‫‪ GAN‬چند مثال از شبکه‬
‫‪nvidia.com‬تبدیل نقاشی به تصویر در س‬

5.

‫تاریخچه‬
‫‪NIPS‬در کنفرانس ‪2014‬در سال ‪ GAN‬شبکه های‬
‫و همکارانش ارائه ‪Lan Goodfellow‬توسط آقای‬
‫‪.‬شد‬
‫به عنوان شاخه ای یادگیری عمیق بسیار ‪GAN‬شبکه های‬
‫به طوری که مدیر بخش ‪.‬مورد توجه قرار گرفته است‬
‫به عنوان ‪GAN‬شبکه های "‪:‬میگوید ‪Facebook‬تحقیقاتی‬
‫های فراوان در یادگیری عمیق است که شاهکاری با کاربرد‬
‫ی بینایی ماشین کم نظیر بوده در ‪۱۰‬سال اخیر در حوزه‬
‫"‪.‬است‬

6.

‫‪GAN‬آشنایی با شبکه های‬
‫‪:‬دسته بندی داده ها‬
‫اهداف یادگیری ماشین‬
‫)‪(machine learning‬‬
‫‪ ...‬تشخیص جنسیت‪،‬تشخیص مرده از زنده‪،‬تشخیص ملیت‬
‫‪ :‬تخمین داده ها‬
‫‪ ...‬تخمین دمای آب و هوا‪،‬تخمین قیمت مسکن‪،‬تخمین سن افراد‬
‫‪ :‬تولید داده ها‬
‫‪ ...‬تولید شعر‪،‬تولید موسیقی‪،‬تولید تصاویر و بازسازی آنها و‬

7.

‫‪ GAN‬چند مثال از شبکه های‬
‫‪ :‬تولید تصاویر غیرواقعی‬
‫با هر بار بارگذاری سایت ‪person does not exists‬در وب سایت‬
‫اما اگر به جزئیات عکس توجه کنیم ‪ .‬تصویر جدیدی را میبینیم که وجود خارجی ندارد‬
‫‪ .‬متوجه غیر واقعی بودن آن میشویم‬

8.

‫)ادامه(‪ GAN‬چند مثال از شبکه های‬

9.

‫‪ GAN‬چند مثال از شبکه های‬
‫‪fashion GAN:‬کاربرد در‬
‫لباس افراد یا زاویه افراد را در عکس تغییر میدهد‬

10.

‫‪GAN‬دالیل به وجود آمدن شبکه‬
‫کمبود داده‬
‫زمان بر بودن روشهای دیگر‬
‫برطرف کردن مشکالت حریم خصوصی‬

11.

‫‪ GAN‬معنای لغوی شبکه های‬
‫‪GAN‬‬
‫‪Network‬‬
‫‪Adversarial‬‬
‫‪Generated‬‬
‫شبکه عصبی‬
‫اشاره به تخاصم بین دوشبکه‬
‫اشاره به شبکه ای که برای ما داده رندوم‬
‫تولید میکند‬

12.

‫‪ GAN‬مثال معروف شبکه های‬
‫‪ :‬وظیفه پلیس‬
‫‪ .‬تشخیص پول جعلی از واقعی است‬
‫‪:‬هدف دزد‬
‫به طوری که ‪ .‬تولید پول جعلی است‬
‫‪ .‬پلیس نتواند آن را تشخیص دهد‬

13.

‫مثال معروف‬
‫)ادامه(‪GAN‬شبکه های‬
‫دزد و پلیس همزمان هم را تقویت میکنند درواقع دزد سعی کرده‬
‫‪.‬سطح خودش را ارتقا دهد تا خروجی بهتری ارائه بدهد‬
‫و پلیس هم در مقابل تجربه کسب میکند و اطالعاتش را باال میبرد‬
‫‪.‬و راحت تر میتواند پول واقعی را از پول جعلی تشخیص بدهد‬

14.

‫‪ GAN‬ساختار شبکه های‬
‫‪:Generator‬‬
‫‪ .‬مولدی که داده های کامال ساختگی میسازد‬
‫‪:Discriminator‬‬
‫‪ .‬تولید کرده بررسی میکند ‪ generator‬صحت آن چرا که‬

15.

‫‪GAN‬مثالی از شبکه های‬

16.

‫‪Generator‬و ‪ Discriminator‬شبکه های‬
‫‪Discriminator‬‬
‫یک ارایه ساده یا یک وکتور ساده ‪:‬ورودی‬
‫عکس ‪:‬خروجی‬
‫‪Generator‬‬
‫عکس ‪:‬ورودی‬
‫‪1‬یا ‪: 0‬خروجی‬

17.

‫‪Generator‬و ‪ Discriminator‬ساختار شبکه های‬
‫خروجی ‪ .‬بررسی می‌کند که این داده جعلی است یا واقعی ‪Discriminator‬داده تولید می‌کند و شبکه ‪Generator‬شبکه‬
‫‪.‬داده می‌شود ‪ Discriminator‬به‌عنوان ورودی به شبکه ‪Generator‬شبکه‬

18.

‫‪Generator‬و ‪ Discriminator‬ساختار شبکه های‬
‫یک ‪ Discriminator‬برای شبکه ‪ .‬پس الزم است ساختار باال اصالح شود ‪.‬‬
‫اصال‬
‫هیچ داده واقعی وارد این شبکه نم ی‌شود‬
‫!می‌دهد ‪ Discriminator‬ساختار باال که همیشه داده جعلی به شبکه‬
‫‪ .‬این ورودی شامل داده‌های واقعی است ‪ .‬ورودی دیگر هم درنظر م ی‌گیریم‬

19.

‫‪Generator‬و ‪ Discriminator‬ساختار شبکه های‬
‫!هیچ‌گونه ورودی ندارد ‪G‬شبکه ‪ .‬ساختار باال یک‬
‫نقص دیگر هم دارد‬
‫‪ .‬میدهیم نویز یا داده رندم است ‪ Generator‬داده ای که به شبکه‬

20.

‫‪Generator‬و ‪Discriminator‬آموزش شبکه های‬
‫‪Discriminator‬شبکه‬
‫دنبال‬
‫می آید به عنوان جعلی شناسایی کند ‪Generator‬هر داده‬
‫‪.‬هر داده از سمت واقعی را به عنوان واقعی‬
‫‪Generator‬شبکه‬
‫شبکه‬
‫از‬
‫اش‬
‫دنبال تولیدی‬
‫داده‬
‫به سالمت بگذرد و ‪Discriminator‬‬
‫‪.‬برچسب داده واقعی دریافت کند‬
‫‪Discriminator‬شکست = ‪Generator‬هدف‬
‫‪Generator‬شکست = ‪Discriminator‬هدف‬
‫شناسایی داده واقعی‪+‬‬

21.

‫ آموزش شبکه های‬Discriminator ‫و‬Generator
(‫)نمودار‬

22.

‫‪GAN‬معایب شبکه های‬
‫نداشتن دسترسی مستقیم به اطالعات‬
‫ندادن اطالعات در زمینه روند آموزش‬
‫مشخص نبودن اینکه ساختار متعادل شبکه چگونه تعیین‬
‫‪.‬شود‬

23.

‫‪GAN‬کاربردهای شبکه های‬
‫تولید فیلم‬
‫تولید شخصیت های انیمیشنی‬
‫ترمیم تصویر‬
‫تولید تصاویر اشخاص با ژست مشخص‬
‫رزولوشن فوق العاده‬
‫تبدیل متن به تصویر‬
‫تولید اشیا سه بعدی از عکس‬
‫تولید ایموجی از تصویر‬
‫سن صورت‬

24.

‫راه حل چیست؟‬
‫راه حل های زیادی برای این مشکالت ارائه شده است اما این راه حل ها شرایط خاصی را‬
‫‪ .‬میخواهند و یا با حل کردن مشکل در قسمتی دیگر مشکلی ایجاد میکنند‬

25.

‫امنیت فضای سایبری‬
‫برای بهبود پاسخ به حمالت خصمانه پیش ‪GAN‬در رویکرد اول‬
‫‪.‬بینی نشده استفاده می‬
‫برای داده هایی اموزش داده میشود که دارای ‪Gan‬در رویکرد دو‬
‫ویژگی های مجاز هستند و همچنین هدفشان تولید داده های خصما‬
‫‪ .‬واقعی است‬

26.

‫‪GAN‬رشد شبکه های‬
‫با توجه این تصاویر ما متوجه ر‬
‫‪.‬میشویم ‪ GAN‬و تصاعدی شب‬

27.

‫نتیجه گیری‬
‫قابلیت تولید هوشمندی جدید را به دنیای ‪ GAN‬شبکه های‬
‫‪ .‬هوش مصنوعی وارد میکنند‬
‫کاربردهای این شبکه بیشتر در حوزه ی تصویر بوده‬
‫آینده این حوزه هم در حقیقت ربات هایی هستند که ‪.‬است‬
‫نقاشی های بینظری میتوانند بکشند و توانایی رفع هر نیازی‬
‫یافتن کاربرد های جدید هم برای شبکه های ‪.‬را دارند‬
‫‪.‬خود یک موضوع علمی میتواند باشد ‪GAN‬‬

28.

‫‪.‬از توجه شما سپاسگز‬