如今，人工智能和機(jī)器學(xué)習(xí)已經(jīng)成為技術(shù)甚至主流新聞的熱門話題，但大多數(shù)人認(rèn)為這些計算機(jī)在幕后做的事情是理所當(dāng)然的。他們驚人的壯舉需要以只有計算機(jī)才有的速度瀏覽成千上萬的相關(guān)數(shù)據(jù)。反過來，這意味著AI需要學(xué)習(xí)成千上萬的數(shù)據(jù)，但情況并非總是如此。NVIDIA的研究部門現(xiàn)在在其入侵對抗網(wǎng)絡(luò)或GAN中有一個里程碑，它使AI即使在呈現(xiàn)非常小的數(shù)據(jù)集時也能學(xué)習(xí)。

GAN AI模型雖然名字叫“對抗”，但實際上使用的是兩個合作網(wǎng)絡(luò)。例如，生成器創(chuàng)建圖像，鑒別器將它們與參考圖像進(jìn)行比較，以評估它們是否匹配樣式、對象或內(nèi)容。因此，鑒別器通常會饋送50，000到100，000范圍內(nèi)的訓(xùn)練圖像，因為如果訓(xùn)練圖像不多，則會創(chuàng)建一個鑒別器，它只會記住引用，但無法區(qū)分合成圖像。

這種現(xiàn)象稱為過擬合，可以通過所謂的數(shù)據(jù)增強(qiáng)部分解決。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)展參考量。然而，這將創(chuàng)建一個生成器，它將學(xué)習(xí)模仿變形的圖像，而不是學(xué)習(xí)如何正確地合成風(fēng)格和主題。

NVIDIA Research的自適應(yīng)數(shù)據(jù)增強(qiáng)或ADA試圖通過在不同的數(shù)據(jù)點之間分配數(shù)據(jù)增強(qiáng)來解決這兩個問題。研究人員聲稱，這使他們能夠創(chuàng)建一個新的StyleGAN2模型，該模型可以用比傳統(tǒng)GAN所需的訓(xùn)練數(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。

NVIDIA Research新AI的應(yīng)用不僅限于合成濾鏡的藝術(shù)風(fēng)格，Adobe最有可能對增強(qiáng)Photoshop的神經(jīng)濾鏡感興趣，Photoshop已經(jīng)基于第一代StyleGAN。當(dāng)掃描或樣本太小，無法像新的疾病或紊亂一樣有效時，人工智能也將能夠從醫(yī)學(xué)圖像中學(xué)習(xí)。

鄭重聲明：本文版權(quán)歸原作者所有。轉(zhuǎn)載文章只是為了傳播更多的信息。如果作者信息標(biāo)注有誤，請第一時間聯(lián)系我們修改或刪除。謝謝你。

標(biāo)簽:顯卡NVIDIA。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險自擔(dān)。 如有侵權(quán)請聯(lián)系刪除！