人工智能和機(jī)器學(xué)習(xí)已經(jīng)成為科技行業(yè)的熱門話題，而想要讓它們變得更加智能就必須要提供更多的數(shù)據(jù)進(jìn)行訓(xùn)練。NVIDIA 研究部門旗下的生成對(duì)抗網(wǎng)絡(luò)（GAN）近日迎來一個(gè)新的里程碑，即便是在非常小的數(shù)據(jù)集情況下，依然能夠讓人工智能進(jìn)行學(xué)習(xí)。

雖然在名字中出現(xiàn)了“對(duì)抗”，但 GAN AI 模型實(shí)際上使用了兩個(gè)合作的網(wǎng)絡(luò)。例如，一個(gè)生成器負(fù)責(zé)創(chuàng)建圖像，而鑒別器則將其和參考圖像進(jìn)行對(duì)比，以便于評(píng)估它們是否在樣式、對(duì)象和內(nèi)容上匹配。此外，鑒別器通常會(huì)饋入 50，000 到 100，000 范圍內(nèi)的訓(xùn)練圖像。

這種現(xiàn)象稱為過擬合，可以部分地通過所謂的數(shù)據(jù)增強(qiáng)來解決，該方法僅涉及隨機(jī)旋轉(zhuǎn)，調(diào)整大小，裁剪或翻轉(zhuǎn)圖像以擴(kuò)展參考數(shù)量。但是，這將創(chuàng)建一個(gè)生成器，該生成器將學(xué)習(xí)模仿變形的圖像，而不是學(xué)習(xí)如何正確地合成樣式和主題。

NVIDIA Research 的 Adaptive Data Augmentation（ADA）試圖通過在不同數(shù)據(jù)點(diǎn)之間分布數(shù)據(jù)增強(qiáng)來解決這兩個(gè)問題。研究人員聲稱，這使他們能夠創(chuàng)建一個(gè)新的 StyleGAN2 模型，該模型能夠使用比傳統(tǒng)GAN所需的數(shù)據(jù)小10到20倍的訓(xùn)練數(shù)據(jù)集來學(xué)習(xí)藝術(shù)風(fēng)格。

責(zé)任編輯：haq