專屬客服號
微信訂閱號
全面提升數據價值
賦能業務提質增效
人工智能技術是通過對人的大量行為和思維數據進行分析進而得出結果,這項技術現在也在多個行業發揮了作用,但是在人工智能的創造性和想象力方面,人工智能也存在局限。對抗性網絡的出現,則屬于這方面研究的進步。
對抗性神經網絡的介紹
創造一個全新的東西需要想象力。這也一直困擾著AI。
解決方案首先出現于2014年在蒙特利爾大學博士生Ian Goodfellow的學術論證中。該方法被稱為生成對抗性網絡(generative adversarial network,GAN),它采用兩個神經網絡(支持大多數現代機器學習的人腦的簡化數學模型),并在“貓捉老鼠”的數字游戲中讓它們彼此對抗。
兩個網絡都使用相同的數據集進行訓練。其中一個被稱為生成網絡,負責為它已經看到的圖像創建變化,比如可能是一個帶有額外手臂的行人圖片;第二個被稱為判別網絡,被要求判斷它所看到的例圖是像它被訓練過的圖像還是生成網絡產生的虛假圖片,例如,讓它判別那個三臂人是不是真實的?
隨著時間的推移,生成網絡可以很好地生成圖片,判別網絡無法識別該“假貨”。實際上,經過訓練之后,生成網絡已經可以識別并創建逼真的行人圖片了。
該技術在過去十年中已成為人工智能領域最具潛力的技術突破,能夠幫助機器產生“欺騙”人類的結果。
對抗性神經網絡是極具潛力的技術
判別網絡,就是對生成網絡所生成的假的圖像進行辨別,判別網絡會準確的判別出生成網絡所生成的圖像是否是真實的,并且會鑒別其與真實事物的相似程度,然后將數據反饋給生成網絡,之后,生成網絡再次模擬生成一副假的圖像,在這個反復的過程中,生成網絡所生成的圖像會越來越逼真,直到判別網絡無法識別為止。此時,生成網絡所生成的圖像,已經足以亂真了。說得通俗一點,通過對抗性神經網絡,機器可以產生足以欺騙人類的成果,當然,對抗性神經網絡屬于新興的人工智能技術,還需要不斷發展。
然而可喜的是,即使是現在,對抗性神經網絡所生成的語音以及圖片已經完全可以達到以假亂真的地步,這足以證明這項技術是極具潛力的。未來機器會變得更為強大。除了對抗性神經網絡,還有另外一項人工智能技術非常值得我們關注,這項人工智能技術的主旨就是讓機器能夠復制人腦的學習方式。對人工智能有所了解的人都知道,人工智能技術中,機器學習和深度學習是人工智能的核心,但是這些不過只是一種算法編程,其與真實人腦的學習方式是截然不同的,然而要讓機器人變得足夠強大,擁有自主意識就必須讓機器人擁有近似于人腦的運行方式。
對抗性神經網絡的應用介紹
生成式對抗網絡(GAN, Generative Adversarial Networks )是一種深度學習模型,模型通過框架中(至少)兩個模塊:生成模型(Generative Model)和判別模型(Discriminative Model)的互相博弈學習產生相當好的輸出。原始 GAN 理論中,并不要求 G 和 D 都是神經網絡,只需要是能擬合相應生成和判別的函數即可。但實用中一般均使用深度神經網絡作為 G 和 D 。一個優秀的GAN應用需要有良好的訓練方法,否則可能由于神經網絡模型的自由性而導致輸出不理想。
在年齡估計中,GAN能通過攻守互搏,基于給定的人臉圖像實現對其人衰老或年輕時的樣貌生成。
在多視角人臉識別、跨視角步態識別領域,采用類似的機理,實現對人臉角度和步態角度的自動旋轉,從而有效提高了多視角、跨視角人臉和步態識別的精度。
在自動駕駛領域,需要對智能汽車進行復雜環境下的虛擬訓練。此時,就可以利用GAN來實現與實際交通場景分布一致的圖像生成。具體來說,可以先給GAN輸入一張隨機噪聲圖像,通過其生成器來最小化與真實場景接近的圖像,同時判別器最大化生成場景與真實場景間的差異。經過反復迭代的攻守博弈,從而獲得與真實環境一致的交通場景。
如果能夠讓機器復制人的學習方式,機器人的研究和制造難度將會直接降低。在一些特殊領域都能夠使用人工智能技術,人工智能所能發揮的作用也將增加。
本文由五度數科整理,轉載請標明出處,違者必究!
請完善以下信息,我們的顧問會在1個工作日內與您聯系,為您安排產品定制服務
評論