НАЦРТАЈТЕ ЛИЦА ИЗ ПАКЛА БЕЗ МУКЕ: Нови генератор никад савршенији и ЛУЂИ

Можда се сећате да смо пре само пар месеци ово радили са сликама мачака. Нацрташ нешто, алгоритам процени колико то личи на мачку, онда допуни боје и текстуре у складу са моделима машинског учења успостављеним кроз анализу хиљада и хиљада мачјих слика. То је била претходна верзија pix2pix пројекта. Сад смо узнапредовали до људских лица, а ствари постају сабласне.

Пројекат pix2pix доказује нешто суштински значајно по питању машинског учења 2017. године: данашњи алгоритми очајно лоше генеришу нове слике, или бар смислене нове слике. Много боље класификују постојеће слике, али чак и ту ствари очајно ван шачице стварно добро саграђених модела за препознавање објекта. А да би се до таквог модела дошло, потребни су милиони слика за обуку и много времена да би се та обука спровела.

APPLE ПРИПРЕМИО ПРОГРАМ: Возачи, поздравите се са мобилним телефонима

Pix2pix се базира на генеративним адверсаријалним мрежама (ГАН). Оне обучавају генеративне моделе да минимизују одређену „функцију губитка", а њу дефинише предиктивни модел који процењује да ли је генерисана слика уверљива или не. Практично, један алгоритам учи да црта тако што насумично прави жврљотине док му је над главом други алгоритам који виче „Ово не личи ни на шта!" или „Ово личи на нешто!"

Са довољно великом базом података, ГАН би могао да ствара од нуле. Кад су подаци мање доступни, радимо ово: слика-у-слику превод. Уместо да модел учи како да црта слике сам од себе, он мапира апстрактне приказе по жврљотинама са папира. Учи да препозна црте лица на простој скици и упари их са цртама лица које постоје унутар модела, а резултати су овакви.

ХЕЈ, ДРАГА, МОЖЕШ ЛИ... Ову поруку ће већина добити! МОРАТЕ ЗНАТИ шта после тога ОБАВЕЗНО урадити

Можда делује грубо или тривијално, али ГАН би са временом могли да стекну значајнију улогу у области генеративног машинског учења.

ДОВОЉНО ДА СТВОРИТЕ ОГРОМАН ПРОБЛЕМ: Ево шта на Фејсбуку не смете нипошто НИ ДА ЛАЈКУЈЕТЕ