据实例是否属于其已训练的数

塞赫克13406

为了更好地理解这一点，我们可以说一个网络的增益或损失被另一个网络的增益或损失所抵消。 正如我们所说，有两种网络可以弥补彼此的局限性。这两个网络是： 1生成网络 它负责用人工智能创建图像。她是创意工作的负责人。为了愚弄第二个神经网络或让它批准任务，她被迫进行改进。 2#判别器网络 您的工作是审查第一个网络的创建并对其进行调节。

这个网络比第一个网络更加精确，因为我们 电报号码数据 可以说人工智能更擅长修饰和识别图像而不是创建图像。在识别所有类型的图像方面，它变得越来越高效。 从这个意义上说，鉴别器网络经过训练过程以了解如何识别和分析图像或对象，并定义第一网络生成的每个数据集。生成网络可以执行数百万次测试，直到判别器接受结果。



对抗性生成网络有什么用？ 正如我们所提到的，生成对抗网络是无监督的神经网络，通过分析给定数据集中的信息来创建新的图像样本来进行训练。因此，它们经常用于依赖计算机视觉技术的行业。例如： 改善医疗保健并拯救生命 健康和制药行业是人工智能和对抗性生成网络实施的最大受益者之一。