GANs (Generative Modelle)

Ein Fälscher und ein Detektiv trainieren sich gegenseitig in den Wahnsinn. Das ist die Kurzfassung von GANs.

Ausprobieren

Interaktives GAN-Training

"Echte" Bilder Referenzbilder, an denen der Diskriminator lernt, was "echt" aussieht.

→

Generator Der Generator erzeugt neue Bilder aus Zufallsrauschen und versucht, den Diskriminator zu täuschen.

0 0
Dein Browser unterstützt kein Canvas. Die interaktive Demo kann nicht angezeigt werden.
Letzte 10 Generator-Outputs
→

Bewertet Hier wird das aktuelle Bild angezeigt, das der Diskriminator bewerten soll.

Dein Browser unterstützt kein Canvas. Die interaktive Demo kann nicht angezeigt werden.
→

Discriminator Der Diskriminator bewertet Bilder und versucht, echte von generierten zu unterscheiden.

0 0
FAKEECHT
Noch kein Bild beurteilt

Erfolgsraten über Zeit

Dieses Diagramm zeigt die Erfolgsraten von Generator und Diskriminator im Verlauf des GAN-Trainings
DiskriminatorGenerator
Trainingssteuerung
Simulation
Statistiken
Trainings-Schritte0Generator Erfolgsrate0.0%Discriminator Erfolgsrate0.0%Generator-Erfolg: Anteil getäuschter Bilder (nur generierte). Diskriminator-Genauigkeit: Anteil korrekt klassifizierter Bilder (alle). Die Werte ergänzen sich nicht zu 100%.
Kunststil "echte" Bilder
Kreis, Viereck
Wie viele Formen pro Bild gezeichnet werden. Eine weitere Eigenschaft, die der Generator treffen muss, um den Diskriminator zu täuschen.
Größenbereich der Formen in Pixeln. Je enger der Bereich, desto klarer der Stil, den der Generator kopieren muss.
3 items selected

Was zeigt diese Demo?

Zwei Netze im Wettstreit: Ein Fälscher malt Bilder, ein Prüfer entscheidet echt oder gefälscht. Aus dem Wettstreit entstehen täuschend echte neue Bilder.

Was du siehst
Links ein Stapel echter Beispielbilder. Daneben der Generator mit seinem aktuellen Bild und einem kleinen Raster seiner letzten Versuche. In der Mitte das gerade geprüfte Bild, rechts der Prüfer mit einem Balken von "fake" bis "echt". Pfeile zeigen, wie ein Bild durch die Stationen wandert.
Was passiert
Zu Beginn ist das Bild des Fälschers grobes Rauschen, verwaschen und flächig. Runde um Runde wird es schärfer und ähnelt den echten Beispielen immer mehr. Im Raster füllen sich die Zellen mit immer überzeugenderen Fälschungen, während Fälscher und Prüfer abwechselnd dazulernen.
Was du tun kannst
Starte oder pausiere das Training, gehe mit Einzelschritt Bild für Bild vor oder setze alles zurück. Mit dem Tempo-Regler bestimmst du das Wettstreit-Tempo. Über die Stil-Einstellungen legst du fest, wie die echten Bilder aussehen: Formen, Anzahl, Größe und Farben.
Worauf du achtest
Achte darauf, wie das gefälschte Bild vom Rauschen zu einem echt wirkenden Bild aufholt und dem Stapel der echten Bilder immer näherkommt. Genau aus diesem Kräftemessen zwischen Fälscher und Prüfer entstehen neue, täuschend echte Bilder. Sehen plötzlich alle Raster-Zellen gleich aus, ist dem Fälscher die Vielfalt abhandengekommen.

Definition

Was sind GANs?

Kunstfälscher-Analogie

Stell dir zwei Künstler vor, die auf einzigartige Weise zusammenarbeiten:

Der Generator ist wie ein Fälscher, der versucht, gefälschte Gemälde zu erstellen, die wie Meisterwerke aussehen.

Der Diskriminator ist wie ein Kunstexperte, der versucht, die Fälschungen von den echten zu unterscheiden.

Während sie konkurrieren, werden beide besser - der Fälscher erstellt realistischere Fälschungen, und der Experte wird besser darin, sie zu erkennen. Dieser Wettbewerb treibt beide zur Verbesserung an!

Wie GANs funktionieren

  1. Initialisierung: Beide Netzwerke beginnen mit zufälligen Gewichten. Der Generator erzeugt zufälliges Rauschen und der Diskriminator macht zufällige Vermutungen.
  2. Generator erstellt: Der Generator nimmt zufälliges Rauschen als Eingabe und versucht, es in realistisch aussehende Daten zu transformieren (in unserem Fall Muster aus Formen).
  3. Diskriminator beurteilt: Der Diskriminator sieht sowohl echte als auch generierte Daten und versucht, jede korrekt als 'echt' oder 'gefälscht' zu klassifizieren.
  4. Beide lernen: Basierend auf dem Urteil des Diskriminators aktualisieren beide Netzwerke ihre Gewichte - der Generator, um den Diskriminator besser zu täuschen, und der Diskriminator, um Fälschungen besser zu erkennen.

Mode Collapse: Mode Collapse tritt auf, wenn der Generator eine begrenzte Anzahl von Ausgaben produziert, die den Diskriminator täuschen. Ursache: Der Generator findet lokale Minima in der Verlustfunktion und verliert die Vielfalt. Erkennbar an: Alle Ausgaben sehen ähnlich aus (z.B. nur gelbe Dreiecke). Lösungsansätze: Minibatch-Discrimination, Feature Matching, oder Unrolled GANs.

TheoriePseudo-CodeSchritt für SchrittFlussdiagramm

Das adversarielle Prinzip

GANs bestehen aus zwei neuronalen Netzen, die gegeneinander antreten: Der Generator erzeugt gefälschte Daten (z.B. Bilder), während der Diskriminator versucht, echte von gefälschten Daten zu unterscheiden. Durch diesen Wettbewerb verbessern sich beide Netze kontinuierlich.

Der Generator lernt, immer realistischere Ausgaben zu erzeugen, um den Diskriminator zu täuschen. Der Diskriminator lernt gleichzeitig, immer besser zwischen echt und gefälscht zu unterscheiden. Dieser adversarielle Prozess führt zu erstaunlich realistischen generierten Daten.

Vorteile von GANs

  • Hochqualitative Generierung: Erzeugt sehr realistische Bilder, Videos und andere Daten
  • Unüberwachtes Lernen: Benötigt keine gelabelten Trainingsdaten
  • Vielseitig: Anwendbar auf Bilder, Audio, Text und mehr
  • Kreativität: Kann neuartige, nie gesehene Varianten erzeugen

Herausforderungen

GANs sind notorisch schwer zu trainieren: Mode Collapse (Generator erzeugt nur wenige Varianten), instabiles Training, und schwierige Hyperparameter-Wahl sind häufige Probleme. Das Training erfordert viel Rechenleistung und Expertise.

Praktische Anwendungen

Bildgenerierung und -bearbeitung, Stil-Transfer, Daten-Augmentation für ML-Training, Medikamentendesign, Sprachsynthese, und kreative Anwendungen in Kunst und Design.

Probiere die Demo aus! Beobachte wie Generator und Diskriminator sich gegenseitig verbessern.

Prüfen

Teste dein Verständnis

Noch offen

Was ist das Hauptziel des Generators in einem GAN?

Wähle eine Antwort

Auflösung: 1) A · 2) C · 3) B · 4) B · 5) A · 6) C

Einfache Sprache

Diese Vorschau ist in Einfacher Sprache. Das ganze Portal gibt es auch in Einfacher Sprache. Du kannst oben die Sprache wechseln. Oder nutze den Knopf unten. Unsere Texte in Einfacher Sprache entstehen KI-gestützt und werden redaktionell begleitet. Sie orientieren sich an den Grundprinzipien der Leichten Sprache, sind aber keine geprüfte Leichte Sprache: Eine Prüfgruppe von Menschen mit Lernschwierigkeiten prüft sie nicht.

Vorschau: Demo: Zwei KI-Programme im Wettbewerb

Was ist ein GAN?

Diese Demo zeigt ein GAN. GAN bedeutet: Generatives Gegnerisches Netzwerk. Es sind zwei KI-Programme. KI bedeutet Künstliche Intelligenz. Eines erstellt Bilder. Das andere prüft sie.

Wie funktioniert die Demo?

Klicke auf Start. Das Training beginnt sofort. Du siehst zwei Teile. Der Generator ist der Bildmacher. Der Diskriminator ist der Prüfer.

Was du lernst

Beide Programme verbessern sich durch Wettbewerb. Der Generator macht bessere Bilder. Der Diskriminator erkennt Fakes besser. So entstehen gute KI-Bilder.