Реферат на тему Генеративно состязательная сеть в современном искусстве

Содержание:

Введение. 3

Глава 1. Генеративно-состязательная сеть. 4

1.1………………………………………………………………………………………………. Сфера
применения. 6

1.2………………………………………………………………………………………………………………….. История. 9

Глава 2. Применение сети в искусстве. 12

Заключение. 17

Список использованной литературы.. 19

Введение:

Генеративно-состязательная нейросеть
(Generative adversarial network, GAN) — архитектура, состоящая из генератора и
дискриминатора, настроенных на работу друг против друга. Отсюда GAN и получила
название генеративно-состязательная. В случае работы с изображениями, во всем
остальном — это сверточная нейронная сеть.

Таким образом генератор генерирует
определенные образы. Например, картинки, похожие на лица, а дискриминатор
пытается определить лицо это было или нет. И со временем сеть обучается
настолько, что генератор генерирует весьма реалистичные лица.

Вряд ли вы подумаете, что программиста можно
назвать артистом, но, на самом деле, программирование — это очень творческая
профессия. Творчество, основанное на логике.

Потенциал GAN огромен, поскольку они
имитируют любое распределение данных. GAN обучают создавать структуры,
устрашающе похожие на сущности из нашего мира в области изображений, музыки,
речи, прозы. Генеративно-состязательные сети, в некотором смысле,
роботы-художники, и результат их работы впечатляет.

Цель данной работы состоит в изучении GAN в современном искусстве.

Исходя из цели необходимо решить следующие
задачи:

— изучить суть GAN;

— изучить сферы использования и историю GAN;

— изучить GAN в
искусстве.

Структура работы: работа состоит из введения, в котором
раскрывается цель и задачи работы, основной части, в которой описываются
основные вопросы, заключения и списка использованной литературы.

Заключение:

В последнее время, популярность
искусственного интеллекта возрастает. Эту технологию внедряют повсеместно и
искусство не стало исключением. Создать художественное произведение —
изображение, мелодию или стихотворение — с недавних пор стало делом буквально одного
клика. Для этого нужно базово разбираться в программировании — понимать, какой
готовый алгоритм нужно взять, собрать базу референсов для творчества машины и
поставить ей задачу, как именно использовать полученные знания.

C помощью этой сети можно также
генерировать изображения любых категорий. Поскольку GAN – довольно молодой
метод (он появился только в 2014 году, а первые «приличные» результаты
появились в 2016-2017 годах), еще никто не знает достоверно, что можно, а чего
нельзя сделать с помощью GAN. Обзорам новых вариаций GAN и способам их
применения посвящено много статей.

GAN можно использовать для создания произведений
искусства. The Verge написала в марте 2019 года, что изображения, созданные
GAN, стали определяющим обликом современного искусства искусственного
интеллекта. GAN также можно использовать для раскрашивания фотографий или
создания фотографий воображаемых моделей одежды, без необходимости нанимать
модель, фотографа или визажиста, или платить за студию и транспорт.

Использование этой техники
позволяет, в частности, генерировать шедевры, которые человеческим глазом
воспринимаются как натуральные изображения. Например, известна попытка
синтезировать фотографии кошек, которые вводят в заблуждение эксперта,
считающего их естественными фото. Кроме того, GAN может использоваться для
улучшения качества нечётких или частично испорченных шедевров.

Первая выступает в роли художника
— использует освоенные приемы для создания изображений. Вторая, дискриминатор,
— в роли критика: сравнивает то, что получилось у генератора, с оригинальными
работами. Если дискриминатор не может отличить получившееся изображение от
картины, написанной человеком, то результат считается принятым. Если
дискриминатор решил, что предложенная картина — подделка, то генератор начинает
работу заново.

Можно настроить дискриминатор
так, что по итогам оценки получившейся работы он будет указывать, что именно
вызвало у него скепсис. Генератор примет это к сведению и больше не повторит
ошибку. То есть продолжит учиться и совершенствоваться.

GAN не единственный алгоритм,
который успешно справляется с творческими задачами, у него довольно много
коллег по цеху. Например, другая популярная нейросеть, которая создает такого
рода произведения, — CAN, креативно-состязательная сеть. В ее основе тоже две
нейросети — генератор и дискриминатор, но второй в этом случае отбирает
получившиеся произведения так, чтобы они не были похожи ни на одну работу,
загруженную в базу. С помощью CAN создают стилистически уникальные
произведения.

Фрагмент текста работы:

Глава 1. Генеративно-состязательная сеть Генеративная состязательная сеть (GAN) — это класс
фреймворков машинного обучения, разработанных Яном Гудфеллоу и его коллегами в
июне 2014 года. Две нейронные сети соревнуются друг с другом в игре (в форме
игры с нулевой суммой, где выигрыш одного агента равен проигрышу другого
агента).

Учитывая обучающий набор, этот метод учится генерировать
новые данные с той же статистикой, что и обучающий набор. Например, GAN,
обученный фотографиям, может создавать новые фотографии, которые выглядят, по
крайней мере, внешне аутентичными для человеческих наблюдателей, обладая
многими реалистичными характеристиками. Хотя первоначально GAN предлагались как
форма генеративной модели для обучения без присмотра, они также оказались
полезными для обучения с полу-контролем, обучения с полным контролем и обучения
с подкреплением.

Основная идея GAN основана на «косвенном» обучении с
помощью дискриминатора, другой нейронной сети, которая способна определить,
насколько входные данные «реалистичны», которые сами по себе также динамически
обновляются. Это в основном означает, что генератор не обучен минимизировать
расстояние до определенного изображения, а скорее обманывать дискриминатор. Это
позволяет модели обучаться без присмотра[1].

Генеративная сеть генерирует кандидатов, в то время как
дискриминационная сеть оценивает их. Конкурс проводится с точки зрения
распространения данных. Как правило, генеративная сеть учится сопоставлять
скрытое пространство с интересующим распределением данных, в то время как
дискриминационная сеть отличает кандидатов, созданных генератором, от истинного
распределения данных[2]. [1] Галушкин, А.И. Нейронные сети: история развития теории: Учебное пособие
для вузов. / А.И. Галушкин, Я.З. Цыпкин. — М.: Альянс, 2015. — 840 c. [2] Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции
эволюционной кибернетики / В.Г. Редько. — М.: Ленанд, 2019. — 224 c.