Explore conceptos clave, practique con flashcards y ponga a prueba sus conocimientos; luego desbloquee el paquete completo.
Las Redes Generativas Antagónicas (GANs) son un avance significativo en el campo de la modelización generativa. Comprenden dos componentes principales: el generador y el discriminador. Ambas redes compiten en un proceso adversarial, donde el generador produce muestras para engañar al discriminador, mientras que el discriminador intenta identificar las muestras falsificadas.
Durante el entrenamiento, ambos modelos se optimizan a través de un juego competitivo. El generador persigue mejorar sus muestras a medida que el discriminador se vuelve más eficaz en la detección de falsificaciones. Esto forma un ciclo de mejora continua que redefine la generación de datos, permitiendo aplicaciones en áreas como imágenes, música y texto.
¿Qué es una Red Generativa Antagónica (GAN)?
Una arquitectura que consiste en dos redes neuronales: un generador y un discriminador, que compiten entre sí en un contexto de juego adversarial.
¿Cuál es la función del generador en una GAN?
Generar nuevas muestras de datos a partir de ruido aleatorio con el objetivo de que se asemejen a los datos de entrenamiento.
¿Qué evalúa el discriminador en una GAN?
Determina la autenticidad de las muestras producidas por el generador, clasificando si son reales (provenientes del conjunto de datos de entrenamiento) o generadas (falsas).
Haga clic en una tarjeta para ver la respuesta
Q1
¿Qué dos redes neuronales componen una GAN?
Q2
¿Cuál es el objetivo principal del generador en las GANs?
Q3
¿Cómo se caracteriza el entrenamiento de las GANs?
Suba sus notas o PDF para obtener notas completas, flashcards y exámenes en segundos.
Regístrate gratis → Sin tarjeta • 1 paquete gratis incluido