ارائه روشی برای بهبود عملکرد شبکه های عمیق GAN با تغییر نرخ آموزش ایستا به پویا مبتنی بر گرادیان کاهشی

محققین برای نزدیک ساختن رفتار ماشین به رفتار انسان و استفاده از دانش یادگیری عمیق، تلاش های زیادی انجام داده اند، اما چالش اصلی در این زمینه، تعامل و درک ماشین از مفاهیم انتزاعی و پیچیده مانند ارتباطات بین اشیاء است. شبکه ی GAN یکی از روش های یادگیری عمیق است که با استفاده از دو قسمت تولید کننده و تمیز دهنده، بهبود یادگیری و حل برخی از چالش ها را به ارمغان می آورد. تولید داده های ورودی و بهینه سازی تابع هزینه از چالش های اصلی شبکه های GAN هستند. شابکه های CGAN یاشبکه های GAN مشروط، این امکان را می دهند که داده های تولید شده را کنترل کنیم. در این شبکه ها از توابع هزینه مختلفی استفاده می شود که معمولا بر اساس روش گرادیان و با استفاده از یک نرخ آموزش مشخص، شبکه آموزش می بیند. در این مقاله روشیپیشنهاد شده است که به جای استفاده از یک نرخ آموزش ثابت، نرخ آموزش را به صورت پویا تنظیم می کند که می تواند به کاهش زمان و مراحل رسیدن به مقدار بهینه آموزش کمک کند. نتایج تجربی با استفاده از پایگاه داده ی MNIST نشان می دهد که در روش پیشنهادی، کارایی ۱۰% بهتر از نرخ آموزش ثابت است. بنابراین از روش پیشنهادی می توان برای آموزش شبکه های GAN با کارایی بالاتری استفاده کرد

کلیدواژه ها:

شبکه های GAN ، آموزش پویا ، یادگیری ماشین ، نرخ ثابت ، گرادیان کاهشی