Das Lernen erfolgt \u00fcber die Loss Functions der beiden Netzwerke, wie bei traditionellen Netzwerken.<\/p>\n Wenn du mehr dar\u00fcber erfahren m\u00f6chtest, haben wir einen Artikel \u00fcber das Konzept der GANs und ihre Verwendung.<\/strong><\/p>\n Schon bald wurden die Grenzen dieser Methode deutlich: Die erzeugten Bilder waren nicht realistisch genug, insbesondere wenn man versuchte, die Qualit\u00e4t oder die Feinheit der Bilder zu erh\u00f6hen. Diese Grenze liegt in der Struktur der Generator- und Diskriminator-Netzwerke selbst begr\u00fcndet. Einfache, dichte Netzwerke (feed-forward oder fully connected) erlauben es nicht, alle Besonderheiten eines Bildes optimal zu nutzen<\/a>. Dazu m\u00fcssen komplexere Netzwerke verwendet werden, die als Convolutional Neural Networks (CNNs oder ConvNets)<\/a> bezeichnet werden.<\/p>\n Bevor wir auf die Details der DCGAN-Implementierung<\/strong> eingehen, ist es notwendig, die Schl\u00fcsselkonzepte zu verstehen, aus denen sich CNNs<\/strong> zusammensetzen. Insbesondere die Convolution Layer. Wenn du mit diesen nicht vertraut bist, kannst du sie in einem unserer Artikel nachlesen.<\/p>\n In unserem DCGAN<\/strong> muss das Diskriminatornetzwerk aus einem echten oder falschen Bild eine Klassifizierung erstellen. Man k\u00f6nnte also auf ein klassisches CNN<\/strong> vom Typ LeNet zur\u00fcckgreifen, aber die Entwickler der DCGAN-Architektur haben festgestellt, dass einige spezifische Parameter interessanter sind.<\/p>\n Downsampling:<\/strong> Um die Gr\u00f6\u00dfe unserer Faltungsschichten schrittweise zu reduzieren und \u00dcberlernen zu vermeiden, ist es \u00fcblich, Pooling-Schichten zu verwenden. Hier haben sich Faltungsschichten mit Stride als effektiver erwiesen, d.h. der Faltungsfilter wird jedes Mal um mehr als ein Feld verschoben:<\/p>\n Die Rolle des Generatornetzwerks besteht darin, von einem zuf\u00e4lligen Vektor zu einem Bild zu gelangen, das den Diskriminator t\u00e4uschen kann. Daher m\u00fcssen wir neue Techniken verwenden, die wir als umgekehrtes Faltungsnetzwerk beschreiben k\u00f6nnen:<\/p>\n Upsampling:<\/strong> Um die Dimension unseres Vektors zu einem Bild zu vergr\u00f6\u00dfern, m\u00fcssen wir sogenannte transponierte Faltungen verwenden, wie unten dargestellt:<\/p>\n Hier sind mehrere Illustrationen von Aktivierungsfunktionen:<\/p>\n Au\u00dferdem machen die besonderen Konstruktionen der Discriminators und Generators die dichten Schichten, die man normalerweise in CNNs<\/a> findet, \u00fcberfl\u00fcssig.<\/p>\n Wenn du bis hierher gut aufgepasst hast, wirst du bemerkt haben, dass es einen wichtigen Schritt gibt, den wir noch nicht erw\u00e4hnt haben, n\u00e4mlich die Trainingsschleife oder Trainingsphase. Wenn du bereits mit dem Training von neuronalen Netzen vertraut bist, wei\u00dft du, dass es eine fast unendliche Anzahl von Hyperparametern gibt, die getestet werden m\u00fcssen. Diese Problematik ist beim Training von DCGANs logischerweise doppelt so pr\u00e4sent, weshalb es \u00fcblich ist, Parameter zu verwenden, die empirisch als wirksam erwiesen sind, insbesondere von den Autoren des Papiers.<\/p>\n Wir werden hier lediglich die Grundz\u00fcge vorstellen:<\/p>\n Es wurden viele technische Details angesprochen, dennoch sind dies Parameter, die immer h\u00e4ufiger im Deep Learning<\/a> verwendet werden. Zum Beispiel werden transponierte oder Stride-Faltungen in vielen Deep-Learning-Anwendungen wie Image Inpainting, semantischer Segmentierung oder Super Resolution<\/strong> von Bildern verwendet. Ebenso ist der Adam-Optimizer ein sehr robuster Optimizer, der im Deep Learning allgegenw\u00e4rtig ist.<\/p>\n Die „Einfachheit“ des DCGAN<\/strong> tr\u00e4gt zu seinem Erfolg bei. Allerdings wurde ein gewisser Engpass erreicht: Die Erh\u00f6hung der Komplexit\u00e4t des Generators f\u00fchrt nicht unbedingt zu einer besseren Bildqualit\u00e4t. Aus diesem Grund gab es in letzter Zeit viele Verbesserungen: cGANs, styleGANs, cycleGANs usw..<\/p>\n Du kannst die GANs, DCGANs<\/strong> und die Verbesserungen, die seither an diesen Netzwerken vorgenommen wurden, im Modul „Generative Adversarial Network“<\/strong> unseres Kurses Deep Learning for Computer Vision finden.<\/p>\n![\"\"](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/07\/Discriminateur.png\")
Wie baut man den Diskriminator?<\/h3>\n
![\"\"](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/07\/no_padding_no_strides.gif\")
![\"\"](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/07\/no_padding_strides2.gif\")
\n
Aufbau des Generators<\/h3>\n
![\"\"](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/07\/no_padding_no_strides_transposed.gif\"){kind=spacer}
\n
\nMehr \u00fcber Deep Learning lernen
\n<\/a><\/p>\n![\"\"](\"https:\/\/liora.io\/app\/uploads\/sites\/8\/2023\/07\/GANS.png\")
Training oder Trainingsloop<\/h3>\n
\n