GAN là gì?
Mạng đối nghịch tạo sinh (GAN) là một kiến trúc học sâu. GAN đào tạo hai mạng nơ-ron cạnh tranh với nhau nhằm tạo ra dữ liệu mới xác thực hơn từ một tập dữ liệu đào tạo nhất định. Ví dụ: bạn có thể tạo hình ảnh mới từ cơ sở dữ liệu hình ảnh hiện có hoặc tạo bản nhạc gốc từ cơ sở dữ liệu bài hát. GAN được gọi là đối nghịch vì đào tạo hai mạng khác nhau và để hai mạng này cạnh tranh với nhau. Một mạng tạo ra dữ liệu mới bằng cách lấy mẫu dữ liệu đầu vào và sửa đổi mẫu đó nhiều nhất có thể. Mạng còn lại cố gắng dự đoán liệu đầu ra dữ liệu được tạo có thuộc tập dữ liệu ban đầu hay không. Nói cách khác, mạng dự đoán sẽ xác định liệu dữ liệu được tạo là dữ liệu giả hay thật. Hệ thống tạo ra các phiên bản giá trị dữ liệu giả mới hơn và được cải thiện cho đến khi mạng dự đoán không thể phân biệt được dữ liệu giả và dữ liệu gốc nữa.
Mạng đối nghịch tạo sinh được sử dụng trong những trường hợp nào?
Kiến trúc GAN có một số ứng dụng trong nhiều ngành công nghiệp khác nhau. Sau đây, chúng tôi sẽ đưa ra một vài ví dụ.
Tạo hình ảnh
Các mạng đối nghịch tạo sinh tạo hình ảnh thực tế thông qua lời nhắc dựa trên văn bản hoặc bằng cách sửa đổi hình ảnh hiện có. Các mạng này có thể giúp đem lại trải nghiệm hình ảnh tự nhiên và chân thực trong trò chơi điện tử và giải trí kỹ thuật số.
GAN cũng có thể chỉnh sửa hình ảnh, như chuyển đổi hình ảnh độ phân giải thấp sang độ phân giải cao hoặc chuyển hình ảnh đen trắng thành hình ảnh màu. GAN cũng có thể tạo khuôn mặt, nhân vật và động vật tự nhiên cho hoạt hình và video.
Tạo dữ liệu đào tạo cho các mô hình khác
Trong máy học (ML), tăng cường dữ liệu sẽ giúp tăng tập đào tạo theo cách nhân tạo bằng cách tạo ra các bản sao được sửa đổi của tập dữ liệu bằng cách sử dụng dữ liệu hiện có.
Bạn có thể sử dụng các mô hình tạo sinh cho mục đích tăng cường dữ liệu để tạo dữ liệu tổng hợp với tất cả các thuộc tính của dữ liệu trong thế giới thực. Ví dụ: thao tác này có thể tạo ra dữ liệu giao dịch gian lận mà sau đó bạn sử dụng để đào tạo một hệ thống ML phát hiện gian lận khác. Dữ liệu này có thể dạy hệ thống phân biệt chính xác giữa các giao dịch đáng ngờ và các giao dịch đích thực.
Hoàn thiện thông tin còn thiếu
Đôi khi, bạn có thể muốn mô hình tạo sinh đoán chính xác và hoàn thiện một số thông tin còn thiếu trong tập dữ liệu.
Ví dụ: bạn có thể đào tạo GAN để tạo hình ảnh của bề mặt bên dưới mặt đất (lớp dưới bề mặt) bằng cách hiểu được mối tương quan giữa dữ liệu bề mặt và cấu trúc ngầm. Khi nghiên cứu hình ảnh của lớp dưới bề mặt đã xác định, GAN có thể tạo ra những hình ảnh mới dựa vào bản đồ địa hình cho các ứng dụng năng lượng như lập bản đồ địa nhiệt hoặc thu hồi và lưu trữ carbon.
Tạo mô hình 3D từ dữ liệu 2D
GAN có thể tạo mô hình 3D từ ảnh 2D hoặc hình ảnh được quét. Ví dụ: trong lĩnh vực chăm sóc sức khỏe, GAN kết hợp tia X và các phương pháp quét cơ thể khác để tạo ra hình ảnh thực tế của các cơ quan để lập kế hoạch phẫu thuật và mô phỏng.
Mạng đối nghịch tạo sinh hoạt động như thế nào?
Một hệ thống mạng đối nghịch tạo sinh bao gồm hai mạng nơ-ron sâu là mạng tạo và mạng phân biệt. Cả hai mạng đều được đào tạo trong một trò chơi đối nghịch, trong đó một mạng cố gắng tạo ra dữ liệu mới và mạng còn lại cố gắng dự đoán xem đầu ra là dữ liệu giả hay dữ liệu thực.
Về mặt kỹ thuật, cơ chế hoạt động của GAN như sau. Một phương trình toán học phức tạp tạo thành cơ sở cho toàn bộ quá trình tính toán nhưng tổng quát đơn giản như sau:
- Mạng nơ-ron tạo phân tích tập đào tạo và xác định các thuộc tính dữ liệu
- Mạng nơ-ron phân biệt cũng phân tích dữ liệu đào tạo ban đầu và phân biệt giữa các thuộc tính một cách độc lập
- Mạng tạo sửa đổi một số thuộc tính dữ liệu bằng cách thêm nhiễu (hoặc thay đổi ngẫu nhiên) cho một số thuộc tính nhất định
- Mạng tạo chuyển dữ liệu đã sửa đổi sang mạng phân biệt
- Mạng phân biệt tính xác suất đầu ra được tạo thuộc tập dữ liệu gốc
- Mạng phân biệt đưa ra một số hướng dẫn cho mạng tạo để giảm ngẫu nhiên hóa vec-tơ nhiễu trong chu kỳ tiếp theo
Mạng tạo cố gắng tối đa hóa xác suất lỗi của mạng phân biệt còn mạng phân biệt cố gắng giảm thiểu xác suất lỗi. Trong các lần lặp đào tạo, cả mạng tạo và mạng phân biệt đều liên tục phát triển và đối chất nhau cho đến khi đạt đến trạng thái cân bằng. Ở trạng thái cân bằng, mạng phân biệt không thể nhận biết dữ liệu tổng hợp nữa. Tại thời điểm này, quá trình đào tạo đã kết thúc.
Ví dụ về đào tạo GAN
Hãy cùng tạo ngữ cảnh cho nội dung trên với một ví dụ về mô hình GAN trong chuyển đổi hình ảnh.
Hãy xem xét hình ảnh đầu vào là khuôn mặt người mà GAN cố gắng sửa đổi. Ví dụ: các thuộc tính có thể là hình dạng của mắt hoặc tai. Giả sử mạng tạo thay đổi hình ảnh thực tế bằng cách thêm kính râm. Mạng phân biệt nhận được một tập hợp hình ảnh, trong đó có một số người thật đeo kính râm và một số hình ảnh được tạo ra đã được sửa đổi để có kính râm.
Nếu mạng phân biệt có thể phân biệt giữa giả và thật, mạng tạo sẽ cập nhật các thông số để tạo ra hình ảnh giả thậm chí còn tốt hơn. Nếu mạng tạo tạo ra hình ảnh đánh lừa được mạng phân biệt thì mạng phân biệt sẽ cập nhật các thông số của mình. Quá trình cạnh tranh này cải thiện cả hai mạng cho đến khi đạt được trạng thái cân bằng.
Có những loại mạng đối nghịch tạo sinh nào?
Có nhiều loại mô hình GAN khác nhau, tùy thuộc vào công thức toán học được sử dụng và các cách khác nhau để máy tạo và máy phân biệt tương tác với nhau.
Tiếp theo, chúng tôi sẽ cung cấp một số mô hình thường được sử dụng nhưng đó không phải là danh sách đầy đủ. Có rất nhiều loại GAN khác như StyleGAN, CycleGAN và Discogan để giải quyết các loại vấn đề khác nhau.
GAN đơn thuần
Đây là mô hình GAN cơ bản tạo ra biến thể dữ liệu với ít phản hồi hoặc không có phản hồi từ mạng phân biệt. GAN đơn thuần thường yêu cầu tăng cường cho hầu hết các trường hợp sử dụng trong thế giới thực.
GAN có điều kiện
GAN có điều kiện (cGAN) sử dụng khái niệm điều kiện, cho phép tạo dữ liệu nhắm mục tiêu. Mạng tạo và mạng phân biệt nhận thông tin bổ sung, thường dưới dạng nhãn lớp hoặc một số dạng dữ liệu biến đổi khác.
Ví dụ: nếu tạo hình ảnh, điều kiện có thể là một nhãn mô tả nội dung hình ảnh. Quá trình biến đổi cho phép mạng tạo tạo ra dữ liệu đáp ứng các điều kiện cụ thể.
GAN tích chập sâu
Nhận thức được sức mạnh của mạng nơ-ron tích chập (CNN) trong xử lý hình ảnh, GAN tích chập sâu (DCGAN) tích hợp kiến trúc CNN vào GAN.
Với DCGAN, mạng tạo sử dụng các tích chập chuyển vị để nâng cấp phân phối dữ liệu và mạng phân biệt cũng sử dụng các lớp tích chập để phân loại dữ liệu. DCGAN cũng sử dụng các hướng dẫn kiến trúc để giúp quá trình đào tạo ổn định hơn.
GAN siêu phân giải
GANS siêu phân giải (SRGAN) tập trung vào việc nâng cấp hình ảnh có độ phân giải thấp lên độ phân giải cao. Mục tiêu là nâng cao hình ảnh đến độ phân giải cao hơn trong khi vẫn duy trì chất lượng hình ảnh và chi tiết.
GAN kim tự tháp Laplacian (LAPGAN) giải quyết khó khăn trong việc tạo ra hình ảnh có độ phân giải cao bằng cách chia nhỏ vấn đề thành nhiều giai đoạn. Các GAN này sử dụng cách tiếp cận phân cấp, trong đó nhiều mạng tạo và mạng phân biệt hoạt động ở các quy mô hoặc độ phân giải khác nhau của hình ảnh. Quá trình bắt đầu bằng việc tạo ra một hình ảnh có độ phân giải thấp sẽ cải thiện chất lượng qua các giai đoạn GAN lũy tiến.
AWS có thể hỗ trợ các yêu cầu mạng đối nghịch tạo sinh của bạn như thế nào?
Amazon Web Services (AWS) cung cấp nhiều dịch vụ để hỗ trợ các yêu cầu về GAN của bạn.
Amazon SageMaker là một dịch vụ được quản lý toàn phần mà bạn có thể sử dụng để chuẩn bị dữ liệu và xây dựng, đào tạo và triển khai các mô hình máy học. Bạn có thể sử dụng các mô hình này trong nhiều kịch bản và SageMaker có kèm theo cơ sở hạ tầng, công cụ và quy trình công việc được quản lý toàn phần. Dịch vụ này có một loạt các tính năng để đẩy nhanh quá trình phát triển và đào tạo GAN cho bất kỳ ứng dụng nào.
Amazon Bedrock là một dịch vụ được quản lý toàn phần. Bạn có thể sử dụng dịch vụ này để truy cập các mô hình nền tảng (FM) hoặc các mạng nơ-ron sâu được đào tạo từ Amazon và các công ty khởi nghiệp trí tuệ nhân tạo (AI) hàng đầu. Các FM này được cung cấp thông qua API, do đó, bạn có nhiều phương án lựa chọn để tìm mô hình phù hợp nhất cho nhu cầu của mình. Bạn có thể sử dụng các mô hình này trong các ứng dụng GAN của riêng mình. Với Amazon Bedrock, bạn có thể đẩy nhanh quá trình phát triển và triển khai các ứng dụng AI tạo sinh có thể mở rộng, đáng tin cậy và an toàn. Và bạn không cần phải quản lý cơ sở hạ tầng.
AWS DeepComposer đem lại cho bạn một cách sáng tạo để bắt đầu sử dụng ML. Bạn có thể thực hành thực tế với bàn phím nhạc cụ và các kỹ thuật ML mới nhất, được thiết kế để nâng cao kỹ năng ML của bạn. Bất kể nền tảng về ML hoặc âm nhạc như thế nào, các nhà phát triển của bạn đều có thể bắt đầu sử dụng GAN. Đồng thời, họ có thể đào tạo và tối ưu hóa các mô hình GAN để tạo ra những bản nhạc gốc.
Bắt đầu sử dụng các mạng đối nghịch tạo sinh trên AWS bằng cách tạo tài khoản ngay hôm nay.
Các bước tiếp theo trên AWS
