专栏首页新智元谷歌GAN 实验室来了!迄今最强可视化工具,在浏览器运行GAN

谷歌GAN 实验室来了!迄今最强可视化工具,在浏览器运行GAN


新智元报道

来源:poloclub.github.io

编辑:肖琴

【新智元导读】今天,Google AI和乔治亚理工学院的研究人员发布了一个学习GAN的交互式网站:GAN Lab!由TensorFlow.js 驱动,在浏览器就可以运行GAN。

Google AI和乔治亚理工学院的研究人员发布了一个学习GAN的交互式网站:GAN Lab!由TensorFlow.js 驱动,在浏览器就可以运行GAN,非常直观地了解各种GAN模型的机制,可谓是一大神器。发布后迅速获得好评。

GAN Lab地址:

https://poloclub.github.io/ganlab/

GitHub:

https://github.com/poloclub/ganlab

论文:

http://minsuk.com/research/papers/kahng-ganlab-vast2018.pdf

网站提供四种数据分布类型,也可以自定义自己的数据分布,可以使用预训练模型。

点击运行按钮后,即可查看模型的可视化呈现:

许多机器学习系统需要查看某种复杂的输入(例如图像),然后产生简单的输出(例如“cat”之类的标签)。相比之下,生成模型的目标恰恰相反:取一小部分输入(可能是一些随机数),然后产生复杂的输出,例如一张看起来很逼真的人脸图像。生成对抗网络(GAN)是一种特别有效的生成模型,从几年前推出以来,一直是机器学习的一个热门研究主题。

机器从头开始“创造”一幅逼真的图像,这一想法看似神奇,但是GAN使用两个关键技巧将看似不可能的目标变为现实,即建立两个竞争的网络——生成器(generator)和判别器(discriminator)。生成器尝试创建随机的合成输出(例如,面部图像),而鉴别器试图将这些输出与实际输出(例如,名人的数据库)区分开来。当两个网络互相对抗,它们将能变得越来越好——最终结果是能够产生逼真输出的生成网络。

GAN非常复杂,其可视化也有很多难题。研究者的基本想法是:

首先,没有把任何像生成真实图像这样复杂的东西形象化。而是展示一个GAN在二维空间中如何学习点的分布(distribution of points)。这样简单的东西没有真正的应用,但是有助于展示系统的机制。因为普通二维(x,y)空间中的概率分布比在高分辨率图像空间中的分布更容易可视化。

在两个位置展示数据分布

单击工具栏上的播放按钮即可运行模型。 除了所选择的分布中的实际样本,你还会看到模型生成的假样本。随着训练的进行,假样本的位置不断更新。完美的GAN创建的假样本分布与实际样本的分布几乎无法区分。当发生这种情况时,在分层分布视图中,你将看到两个分布很好地重叠了。

随着训练的进行,假样本的位置不断更新。最后,真实样本和假样本的分布发生重叠。

生成器的数据转换可视化为流形,将输入噪声(最左边)转换为假样本(最右边)。

鉴别器的性能可以通过2Dheatmap解释。

下面的视频更好地展示了生成器和判别器的可视化:

总之,是非常酷的GAN可视化!

本文分享自微信公众号 - 新智元(AI_era)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2018-09-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 效果逆天,谷歌最新 BEGAN 刷新计算机生成图像的质量记录

    【新智元导读】谷歌公司的 Berthelot、Tom Schumm 和 Metz 本周发表论文 BEGAN(Boundary Equilibrium GAN),...

    新智元
  • 【Ian Goodfellow 强推】GAN 进展跟踪 10 大论文(附下载)

    ---- 编译:小潘、肖琴 【新智元导读】生成对抗网络GAN的提出者Ian Goodfellow在推特上推荐了10篇GAN论文,是跟踪GAN进展,了解最新技术...

    新智元
  • GAN最新进展:8大技巧提高稳定性

    生成对抗网络 (GAN) 是一类功能强大的神经网络,具有广泛的应用前景。GAN 本质上是由两个神经网络组成的系统——生成器 (Generator) 和鉴别器 (...

    新智元
  • ​GAN的五大有趣应用

    “GAN”这个词是由Ian Goodfellow在2014年提出的,但相关概念早在1990年就存在了(Jürgen Schmidhuber开创),在Goodfe...

    磐创AI
  • GAN原理,优缺点、应用总结

    版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/qq_25737169/article/d...

    DoubleV
  • 历时 6 年发展, GAN 领域当下最热门的“弄潮儿”都有哪些?

    生成式对抗网络(Generative Adversarial Networks, GAN)诞生于2014年,它的作者Ian Goodfellow 因它而声名大噪...

    AI科技评论
  • 综述推荐 | CV视觉中GAN的调研和分类

    SGAN是在半监督学习的背景下提出的,与监督学习(其中每个样本都需要一个标签)和非监督学习(其中不提供标签)不同,半监督学习具有一小部分示例的标签。与FCGAN...

    公众号机器学习与生成对抗网络
  • 新手指南综述 | GAN模型太多,不知道选哪儿个?

    今天看到这么一个论文题目“A Novel Framework for Selection of GANs for an Application ”,这名字有、6...

    公众号机器学习与生成对抗网络
  • 效果逆天,谷歌最新 BEGAN 刷新计算机生成图像的质量记录

    【新智元导读】谷歌公司的 Berthelot、Tom Schumm 和 Metz 本周发表论文 BEGAN(Boundary Equilibrium GAN),...

    新智元
  • 史上最全GAN综述2020版:算法、理论及应用

    论文地址:https://arxiv.org/pdf/2001.06937.pdf

    OpenCV学堂

扫码关注云+社区

领取腾讯云代金券