discriminator network
Et neuralt netværk der klassificerer om et input er ægte eller genereret.
Kort fortalt
En type neuralt netværk der bruges i GANs til at gætte om et billede (eller anden data) kommer fra et rigtigt datasæt eller er skabt af en generator.
- Kategori
- arkitektur
- Niveau
- øvet
Betydninger
1- 1
I generative adversarial networks (GANs), det netværk der har til opgave at klassificere om en given prøve er fra den virkelige datafordeling eller fra generatoren.
- Discriminatoren i en GAN trænes på både ægte og genererede billeder for at lære at skelne dem ad. — Generative Adversarial Networks (2014)
Hvornår bruges det
Bruges i træning af generative adversarial networks (GANs) hvor det sammen med en generator lærer at producere realistiske syntetiske data. Discriminatoren forsøger at skelne mellem ægte og falske prøver, hvilket driver generatoren til at forbedre sig.
Kodeeksempel
class Discriminator(nn.Module):
def __init__(self):
super().__init__()
self.model = nn.Sequential(
nn.Linear(784, 128),
nn.ReLU(),
nn.Linear(128, 1),
nn.Sigmoid()
)
def forward(self, x):
return self.model(x)En simpel PyTorch-implementering af et discriminator-netværk for et GAN trænet på MNIST.
Oprindelse
Udtrykket stammer fra 'discriminate' (skelne) og refererer til netværkets evne til at skelne mellem to kategorier.
Kilder
1- Generative Adversarial Networks, Goodfellow et al., 2014