شبکه مولد متخاصم عمیق (Deep Convolutional GAN - DCGAN)، در ریاضیات (Mathematics)

انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :

شبکه مولد متخاصم عمیق (Deep Convolutional GAN - DCGAN) :

شبکه مولد متخاصم عمیق کانولوشنی (DCGAN) توسط رادفورد و همکاران در سال ۲۰۱۵ معرفی شد. این اولین کار مهمی بود که نشان داد GANها را می توان با استفاده از CNNها به صورت پایدار برای تولید تصاویر با کیفیت آموزش داد. DCGAN یک معماری مشخص را پیشنهاد کرد که شامل محدودیت ها و راهنمایی هایی برای ساخت GANهای پایدار با لایه های کانولوشنی است.

ویژگی های معماری DCGAN:

در مولد (generator): از لایه های کانولوشن انتقالی (transposed convolution) به جای pooling برای افزایش ابعاد استفاده می شود. فعال سازی در لایه های میانی ReLU و در لایه آخر Tanh است.

در تمایزگر (discriminator): از کانولوشن های معمولی با stride به جای pooling استفاده می شود. فعال سازی LeakyReLU در تمام لایه ها به کار می رود (آخرین لایه سیگموئید).

از لایه های کاملا متصل خودداری شده است.

از Batch Normalization در هر دو شبکه استفاده می شود (به جز لایه آخر مولد و لایه اول تمایزگر).

مولد DCGAN یک بردار نویز ۱۰۰ بعدی (معمولا از توزیع یکنواخت) را دریافت کرده و با استفاده از لایه های کانولوشن انتقالی، آن را به یک تصویر (مثلا ۶۴×۶۴) تبدیل می کند. تمایزگر نیز یک تصویر را گرفته و یک اسکالر (احتمال واقعی بودن) خروجی می دهد.

DCGAN نشان داد که GANها می توانند بازنمایی های معناداری در فضای پنهان یاد بگیرند. مثلا بردارهای پنهان از ویژگی هایی مانند وجود عینک یا حالت چهره قابل دستکاری هستند و عملیات جبری روی بردارها (مثلا "مرد با عینک" - "مرد" + "زن" = "زن با عینک") به طور معناداری عمل می کند.

تأثیر DCGAN بسیار زیاد بود و به عنوان پایه بسیاری از GANهای بعدی (مانند StyleGAN، CycleGAN) مورد استفاده قرار گرفت. با این حال، DCGAN هنوز هم ممکن است ناپایدار باشد و نیاز به تنظیم دقیق فراپارامترها دارد.