ما المقصود بالشبكة التنافسية المولِّدة (GAN)؟
الشبكة التنافسية المولِّدة (GAN) هي إحدى بنيات التعلم العميق. تقوم بتدريب شبكتين عصبونيتين للتنافس ضد بعضهما البعض لتوليد بيانات جديدة أكثر أصالةً وسلاسةً من مجموعة بيانات تدريبية معينة. على سبيل المثال، يمكنك إنشاء صور جديدة من قاعدة بيانات صور موجودة أو موسيقى أصلية من قاعدة بيانات الأغاني. يُطلق على GAN اسم adversarial (تنافسية) لأنها تدرب شبكتين مختلفتين وتضعهما في مواجهة بعضهما البعض. تقوم إحدى الشبكتين بإنشاء بيانات جديدة عن طريق أخذ عينة من بيانات الإدخال وتعديلها قدر الإمكان. تحاول الشبكة الأخرى توقع ما إذا كان إخراج البيانات الذي تم إنشاؤه ينتمي إلى مجموعة البيانات الأصلية. بمعنى آخر، تحدد شبكة التنبؤ ما إذا كانت البيانات التي تم إنشاؤها مزيفة أم حقيقية. يقوم النظام بإنشاء إصدارات أحدث ومحسنة من قيم البيانات المزيفة حتى لا تتمكن شبكة التنبؤ من التمييز بين المزيفة والأصلية.
ما بعض حالات استخدام الشبكات التنافسية المولِّدة؟
تحتوي بنية الشبكة التنافسية المولِّدة (GAN) على العديد من التطبيقات في قطاعات مختلفة. نقدم فيما يلي بعض الأمثلة.
إنشاء صور
تقوم الشبكات التنافسية المولِّدة بإنشاء صور واقعية من خلال مطالبات نصية أو عن طريق تعديل الصور الموجودة. يُمكن لهذه الشبكات المساعدة في إنشاء تجارب مرئية واقعية وغامرة في ألعاب الفيديو والترفيه الرقمي.
يُمكن للشبكة التنافسية المولِّدة (GAN) أيضًا تحرير الصور، مثل تحويل صورة منخفضة الدقة إلى دقة عالية أو تحويل صورة بالأبيض والأسود إلى صورة بالألوان. يمكنه أيضًا إنشاء وجوه وشخصيات وحيوانات واقعية للرسوم المتحركة والفيديو.
إنشاء بيانات تدريب لنماذج أخرى
في تعلّم الآلة (ML)، تؤدي زيادة البيانات بطريقة اصطناعية إلى زيادة مجموعة التدريب عن طريق إنشاء نسخ معدلة من مجموعة بيانات باستخدام بيانات موجودة.
يُمكنك استخدام النماذج المولّدة لزيادة البيانات لإنشاء بيانات مصطنعة تشمل جميع سمات بيانات العالم الحقيقي. على سبيل المثال، يُمكنه إنشاء بيانات معاملات احتيالية تستخدمها بعد ذلك في تدريب نظام تعلّم آلة آخر خاص بكشف الاحتيال. يمكن لهذه البيانات تعليم النظام دقة التمييز بين المعاملات المشبوهة والمعاملات الحقيقية.
إكمال المعلومات المفقودة
في بعض الأحيان، قد ترغب في أن يكون النموذج المولّد دقيقًا في تخمين بعض المعلومات المفقودة في مجموعة البيانات وإكمالها.
على سبيل المثال، يُمكنك تدريب الشبكة التنافسية المولِّدة (GAN) لإنشاء صور للسطح تحت الأرض (تحت السطح) من خلال فهم العلاقة بين بيانات بنية السطح وبنيات البنية تحت الأرض. من خلال دراسة صور تحت السطح المعروفة، يُمكنها إنشاء صور جديدة باستخدام خرائط التضاريس المتعلقة بتطبيقات قطاع الطاقة مثل رسم خرائط الطاقة الحرارية الجوفية أو التقاط الكربون وتخزينه.
إنشاء نماذج ثلاثية الأبعاد من بيانات ثنائية الأبعاد
يمكن للشبكة التنافسية المولِّدة (GAN) إنشاء نماذج ثلاثية الأبعاد من صور ثنائية الأبعاد أو صور ممسوحة ضوئيًا. على سبيل المثال، في مجال الرعاية الصحية، تجمع الشبكة التنافسية المولِّدة (GAN) بين فحوصات الأشعة السينية وغيرها من فحوصات الجسم لإنشاء صور واقعية للأعضاء المراد تخطيطها أو محاكاتها للجراحة.
كيف تعمل الشبكة التنافسية المولِّدة؟
نظام الشبكة التنافسية المولِّدة يتكون من شبكتين عصبونيتين عميقتين هما شبكة المولِّد وشبكة المُميِّز. تتدرب كلتا الشبكتين في ممارسة تنافسية، حيث تحاول إحدى الشبكتين إنشاء بيانات جديدة وتحاول الأخرى التنبؤ بما إذا كان المُخرَج بياناتٍ مزيفةً أم بياناتٍ حقيقيةً.
من الناحية الفنية، تعمل الشبكة التنافسية المولِّدة (GAN) على النحو التالي. معادلة رياضية معقدة تشكل أساس عملية الحوسبة كلها، ولكن هذه نظرة عامة مبسطة:
- تقوم الشبكة العصبونية للمولّد بتحليل مجموعة التدريب وتحديد سمات البيانات.
- تقوم الشبكة العصبونية للمُميِّز أيضًا بتحليل بيانات التدريب الأولية والتمييز بين السمات بشكل مستقل.
- يقوم المولّد بتعديل بعض سمات البيانات عن طريق إضافة ضجيج (أو تغييرات عشوائية) إلى سمات معينة
- يقوم المولّد بنقل البيانات المعدلة إلى المُميِّز
- يحسب المُميِّز احتمالية انتماء المُخرَج الناتج إلى مجموعة البيانات الأصلية.
- يُعطي المُميِّز بعض الإرشادات للمولّد لتقليل التوزيع العشوائي لمتجهات الضجيج في الدورة التالية.
يحاول المولّد زيادة احتمالية خطأ المُميِّز، ولكن المُميِّز يحاول تقليل احتمالية الخطأ. في تكرارات التدريب، يتطور كل من المولّد والمُميِّز ويواجهان بعضهما بصفة مستمرة حتى يصلا إلى حالة التوازن. في حالة التوازن، لن يكون بإمكان المُميِّز التعرف على البيانات المصطنعة. في هذه المرحلة، تكون عملية التدريب قد انتهت.
مثال تدريب الشبكة التنافسية المولِّدة (GAN)
دعونا نضع ما سبق في سياقه من خلال مثال لأحد نماذج الشبكة التنافسية المولِّدة (GAN) في ترجمة "صورة إلى صورة".
فلنفترض أن صورة الإدخال هي وجه بشري تحاول الشبكة التنافسية المولِّدة (GAN) تعديله. على سبيل المثال، يمكن أن تكون السمات هي شكل العينين أو شكل الأذنين. لنفترض أن المولّد يغير الصور الحقيقية عن طريقة إضافة نظارات شمسية إليها. يتلقى المُميِّز مجموعةً من الصور، وصور لأشخاص حقيقيين يرتدون نظاراتٍ شمسيةً وبعض الصور المولَّدة التي تم تعديلها لتشمل نظاراتٍ شمسيةً.
إذا كان بإمكان المُميِّز التمييز بين البيانات المزيفة والبيانات الحقيقية، فإن المولّد يُحدث مَعْلماته لإنشاء صور مزيفة أفضل. إذا أنتج المولّد صورًا تخدع المُميِّز، يقوم المُميِّز بتحديث مَعْلماته. المنافسة تُحسّن كلتا الشبكتين حتى يتحقق التوازن.
ما أنواع الشبكات التنافسية المولِّدة؟
توجد أنواع مختلفة من نماذج الشبكة التنافسية المولِّدة (GAN) اعتمادًا على الصيغ الرياضية المستخدمة والطرق المختلفة التي يتفاعل بها المولّد والمُميِّز مع بعضهما.
نقدم فيما يلي بعض النماذج شائعة الاستخدام، لكن هذه القائمة ليست شاملةً. توجد أنواع كثيرة من الشبكة التنافسية المولِّدة (GAN)، مثل StyleGAN وCycleGAN وDiscoGAN، التي تتغلب على أنواع مختلفة من المشكلات.
الشبكة التنافسية المولِّدة (GAN) الفانيلا
هذا هو النموذج الأساسي من الشبكة التنافسية المولِّدة (GAN) الذي يولّد شكل بيانات ذا ملاحظات قليلة أو بلا ملاحظات من شبكة المُميِّز. الشبكة التنافسية المولِّدة (GAN) الفانيلا تتطلب عادةً تحسينات لمعظم حالات الاستخدام في العالم الحقيقي.
الشبكة التنافسية المولِّدة (GAN) الشَرَطية
الشبكة التنافسية المولِّدة الشَرَطية (cGAN) تعرض مفهوم المشروطية، ما يسمح بتوليد بيانات مستهدفة. يتلقى المولّد والمُميِّز معلوماتٍ إضافيةً، عادةً في شكل تسميات فئات أو أي شكل آخر من تكييف البيانات.
على سبيل المثال، في حالة توليد صور، يمكن أن تكون الحالة عبارة عن تسمية تصف محتوى الصورة. التكييف يسمح للمولّد بإنتاج بيانات تستوفي شروطًا محددةً.
الشبكة التنافسية المولِّدة (GAN) الالتفافية العميقة
إدراكًا لقوة الشبكات العصبونية الالتفافية (CNNs) في معالجة الصور، تقوم الشبكة التنافسية المولِّدة الالتفافية العميقة (DCGAN) بدمج تصميمات الشبكة العصبونية الالتفافية (CNN) في الشبكات التنافسية المولِّدة (GANs).
مع الشبكة التنافسية المولِّدة الالتفافية العميقة (DCGAN)، يستخدم المولّد التفافات تغير موضعها لتحسين توزيع البيانات، ويستخدم المُميِّز أيضًا طبقات التفافية لتصنيف البيانات. تقدم الشبكة التنافسية المولِّدة الالتفافية العميقة (DCGAN) أيضًا إرشادات حول التصميم لجعل التدريب أكثر استقرارًا.
الشبكة التنافسية المولِّدة (GAN) فائقة الدقة
تركز الشبكات التنافسية المولِّدة فائقة الدقة (SRGANs) على ترقية الصور منخفضة الدقة إلى دقة عالية. الهدف هو تحسين الصور إلى دقة أعلى مع الحفاظ على جودة الصورة وتفاصيلها.
تتصدى الشبكات التنافسية المولِّدة ذات هرم لابلاس (LAPGANs) للتحدي المتمثل في إنشاء صور عالية الدقة من خلال تقسيم المشكلة إلى مراحل. تستخدم هذه الشبكات نهجًا هرميًا، يضم العديد من المولّدات والمُميِّزات التي تعمل بمقاييس مختلفة أو بقيم دقة مختلفة للصورة. تبدأ العملية بتوليد صورة منخفضة الدقة تتحسن في جودتها عبر مراحل الشبكة التنافسية المولِّدة (GAN) التقدمية.
كيف تساعدك AWS في تلبية متطلبات الشبكة التنافسية المولِّدة؟
تقدم Amazon Web Services (AWS) خدماتٍ عديدةً لدعم متطلبات الشبكة التنافسية المولِّدة (GAN).
Amazon SageMaker هي خدمة مُدارة بالكامل يُمكنك استخدامها في تجهيز البيانات وبناء نماذج تعلم الآلة وتدريبها ونشرها. يُمكن استخدام هذه النماذج في العديد من السيناريوهات، حيث يتوفر مع SageMaker بنية أساسية وأدوات ومهام سير عمل مُدارة بالكامل. تتضمن مجموعة كبيرة من الميزات لتسريع تطوير الشبكة التنافسية المولِّدة (GAN) والتدريب لأي تطبيق.
Amazon Bedrock هي خدمة مُدارة بالكامل. يُمكنك استخدامها في الوصول إلى نماذج التأسيس (FMs)، أو الشبكات العصبونية العميقة المدربة، من Amazon والشركات الناشئة الرائدة في مجال الذكاء الاصطناعي (AI). تتوفر نماذج التأسيس (FMs) هذه من خلال واجهات برمجة التطبيقات؛ ولذا يمكنك الاختيار من بين خيارات متنوعة للعثور على أفضل نموذج يناسب احتياجاتك. يُمكنك استخدام هذه النماذج في تطبيقات الشبكة التنافسية المولِّدة (GAN) لديك. مع Amazon Bedrock، يُمكنك تسريع تطوير ونشر تطبيقات الذكاء الاصطناعي المولّد القابلة للتوسّع والموثوقة والآمنة. ولن تضطر إلى إدارة بنية تحتية.
يمنحك AWS DeepComposer طريقةً مبتكرةً لبدء استخدام تعلّم الآلة. يُمكنك الحصول على تدريب عملي باستخدام لوحة مفاتيح موسيقية وأحدث تقنيات تعلّم الآلة، المُصمّمة لتحسين مهاراتك في تعلم الآلة. بصرف النظر عن خبرتهم في تعلّم الآلة أو خلفيّتهم في مجال الموسيقى، يمكن للمطورين استخدام الشبكات التنافسية المولِّدة (GANs). ويمكنهم تدريب نماذج الشبكة التنافسية المولِّدة (GAN) وتحسينها لابتكار مقاطع موسيقية أصلية.
ابدأ استخدام الشبكات التنافسية المولِّدة على AWS من خلال إنشاء حساب.
الخطوات التالية على AWS
