جواب 1:

ایک آٹومین کوڈر اپنے ان پٹ کو ایک ویکٹر پر دباتا ہے۔ اس کے ان پٹ ڈیٹا سے بہت کم جہتوں کے ساتھ ، اور پھر اسے ایک ٹینسر میں اسی شکل کے ساتھ تبدیل کرتا ہے جس کی وجہ سے کئی اعصابی جالی پرتوں پر اس کی شکل ہوتی ہے۔ وہ اپنے ان پٹ کو دوبارہ پیش کرنے کے لئے تربیت یافتہ ہیں ، لہذا یہ اس طرح کے ڈیٹاسیٹ کے لئے کمپریشن الگورتھم سیکھنے کی طرح ہے۔

ایک جی اے این اس طرح کے اندر آؤٹ آئنکوڈر کی طرح نظر آتا ہے - اعلی جہتی ڈیٹا کو سکیڑنے کے بجائے ، اس میں کم جہتی ویکٹر ہوتے ہیں جیسے وسط میں اعلی جہتی ڈیٹا ہوتا ہے۔

ان پٹ کے بطور تھوڑا سا ڈیٹا دینے کے بجائے ، اسے بے ترتیب نمبروں کا ایک چھوٹا سا ویکٹر دیا گیا ہے۔ جنریٹر نیٹ ورک اس چھوٹے سے ویکٹر کو تربیت کے اعداد و شمار سے حقیقت پسندانہ نمونے میں تبدیل کرنے کی کوشش کرتا ہے۔ امتیازی سلوک کرنے والا نیٹ ورک پھر اس تیار کردہ نمونے (اور ڈیٹاسیٹ کے کچھ حقیقی نمونے) لیتا ہے اور اندازہ لگانا سیکھتا ہے کہ آیا یہ نمونے اصلی ہیں یا جعلی۔ ٹھیک ہے ، زیادہ واضح طور پر اس نے جعلی تصاویر کے ل for اس کے امکانات اور * 0s * کے ویکٹر اور اصلی امیجز کے لئے "1" s کے درمیان کراس انٹراپی کو کم سے کم کرنے کی تربیت دی ہے۔ جنریٹر زیادہ قائل نمونے بنانا سیکھتا ہے ، (یا امتیازی سلوک کرنے والوں کے درمیان اس کی تخلیقات کے بارے میں اندازہ لگاتے ہیں کہ "1")

ایک اور فرق: جب وہ دونوں غیر مہارت حاصل شدہ سیکھنے کی چھتری میں آتے ہیں ، تو وہ اس مسئلے کے لئے مختلف انداز ہیں۔ ایک جی اے این ایک جنریٹی ماڈل ہے۔ اس میں ڈیٹاسیٹ کے حقیقت پسندانہ * نئے * نمونے تیار کرنا سیکھنا چاہئے۔ متغیر آٹومین کوڈر جنریٹی ماڈل ہیں ، لیکن عام "وینیلا" آٹومین کوڈر صرف ان پٹ کو دوبارہ تشکیل دیتے ہیں اور حقیقت پسندانہ نئے نمونے تیار نہیں کرسکتے ہیں۔


جواب 2:

GANs اور Autoencoders دونوں جنریٹو ماڈل ہیں ، جس کا مطلب ہے کہ وہ اس کی کثافت کی بجائے دیئے گئے ڈیٹا کی تقسیم کو سیکھتے ہیں۔ اہم فرق یہ ہے کہ وہ یہ کیسے کرتے ہیں۔

آٹین کوڈرز اس کی آؤٹ پٹ کو اس کے آؤٹ پٹ سے موازنہ کرتے ہوئے ایک دی گئی تقسیم سیکھتے ہیں ، یہ اعداد و شمار کی پوشیدہ نمائندگی سیکھنے کے ل good اچھا ہے ، لیکن نیا ڈیٹا تیار کرنے میں بہت برا ہے۔ بنیادی طور پر کیونکہ ہم اعداد و شمار کی اوسط نمائندگی سیکھتے ہیں اس طرح آؤٹ پٹ بہت دھندلا ہوجاتا ہے۔

جنیریٹو ایڈورشیئل نیٹ ورک بالکل مختلف نقطہ نظر کو اپناتے ہیں۔ وہ پیدا کردہ اور حقیقی اعداد و شمار کے مابین فاصلے کی پیمائش کرنے کے لئے دوسرا نیٹ ورک (نام نہاد ڈسکرینٹر) استعمال کرتے ہیں۔ بنیادی طور پر جو کام کرتا ہے وہ یہ ہے کہ پیدا شدہ سے حقیقی اعداد و شمار کی تمیز کی جائے۔ یہ ایک ان پٹ کے بطور کچھ اعداد و شمار وصول کرتا ہے اور 0 اور 1 کے درمیان ایک نمبر واپس کرتا ہے۔ 0 کا مطلب ہے کہ ڈیٹا جعلی ہے اور 1 معنیٰ کہ یہ حقیقی ہے۔ اس کے بعد جنریٹروں کا مقصد یہ ہے کہ امتیاز دہندگان کو اس بات پر یقین دلانا سیکھ رہا ہے کہ یہ حقیقی اعداد و شمار کو تشکیل دے رہا ہے۔

اعداد و شمار کو تیار کرنے میں GENs سے زیادہ Autoencoders کے زیادہ فائدہ یہ ہے کہ وہ مختلف آدانوں سے مشروط ہوسکتے ہیں۔ مثال کے طور پر ، آپ دو ڈومینز کے مابین نقشہ سازی سیکھ سکتے ہیں: گوگل نقشہ جات میں مصنوعی سیارہ کی تصاویر [1]۔ یا آپ جنریٹر کو اعداد و شمار کی متعدد کلاسوں کو دوبارہ پیش کرنے کا درس دے سکتے ہیں: ایم این ایس ٹی ڈیٹاسیٹ تیار کرنا [2]۔

ان اختلافات کی وجہ سے ، وہ مختلف کاموں کے لئے استعمال ہوسکتے ہیں۔ Autoencoders اعداد و شمار کو کم طول و عرض سے سکیڑنے کے ل se یا اس سے Semant Vectors پیدا کرنے کے ل more زیادہ موزوں ہیں۔ جہاں GANs ڈیٹا تیار کرنے کے ل. زیادہ موزوں ہیں۔

امید ہے کہ میں نے آپ کے سوال کا جواب دیا ، اگر نہیں تو ، بلا جھجھک مجھ سے سوال کریں :)

فوٹ نوٹ

[1] [1611.07004] مشروط اشتھاراتی نیٹ ورکس کے ساتھ تصویری تا تصویری ترجمہ

[2] [1411.1784] مشروط جنیریٹو اشتہاری نیٹ


جواب 3:

پچھلے جواب میں فرق کا کافی حد تک اضافہ ہوتا ہے۔ دونوں جنریٹو ماڈل ہیں۔ AE ایک مخصوص ان پٹ (اعلی ڈائمینسیو) پر مشروط اعداد و شمار کی ایک کم جہتی نمائندگی تلاش کرنے کی کوشش کرتا ہے جہاں GANs ایسی نمائندگی تخلیق کرنے کی کوشش کرتے ہیں جو امتیازی سلوک کرنے والے کے ساتھ مشروط حقیقی اعداد و شمار کی تقسیم کو عام کرنے کے لئے کافی ہیں۔