Tezislər / Theses

THE 3
rd
 INTERNATIONAL SCIENTIFIC CONFERENCES OF STUDENTS AND YOUNG RESEARCHERS 
dedicated to the 99
th
anniversary of the National Leader of Azerbaijan Heydar Aliyev
114
GENERATİV RƏQİB ŞƏBƏKƏ ALQORİTMLƏRİ 
Firəngiz Musayeva
AMEA 
İ
nformasiya Texnologiyalar
ı
 
İ
nstitutu
Bak
ı
, Az
ə
rbaycan 
[e-mail] 
Açar sözlər

generative modellər, avtoenkoder, generator, diskriminator. 
Giriş 
Süni intellekt sahəsində son illərdə çox populyar olan generativ rəqib 
şəbəkələr (GRŞ, Generative Adversarial Network, GAN) – dərin neyron şə-
bəkələrinin bir sinfidir. Bu şəbəkələr Ian Goodfellow və həmkarları tərəfindən 
2014-cü ildə təklif olunub [Goodfellow et al., 2020] və çox qısa müddətdə 
müxtəlif tətbiq sahələrində – video, şəkil, musiqi və sintetik verilənlərin gene-
rasiyası və s. sahələrdə maraqlı nəticələr təqdim edilmişdir. 
GRŞ-lər bir-biri ilə rəqabətdə olan iki şəbəkənin təlimi ilə xarakterizə 
edilir. Bu şəbəkələr ilə bağlı bəzi metaforalar var: biri rəsm əsəri oğrusu və 
digəri isə onu müəyyən edən ekspert olaraq düşünülür. GRŞ-lərdə generator 
(G) kimi tanınan rəsm əsəri oğrusu real obrazlar yaratmaq məqsədilə saxta 
nümunələr generasiya edir, diskriminator (D) kimi tanınan ekspert isə həm 
saxta nümunələri, həm də real (orijinal) şəkilləri alır və onları bir-birindən 
ayırmağa çalışır. 
GRŞ alqoritmləri
Tam
ə
laq
ə
li GR
Ş
 (Vanilla GAN)
– təklif edilmiş ilk GRŞ arxitekturasıdır. 
Həm disriminator, həm də generator çoxlaylı irəliyayılma şəbəkəsidir (məsə-
lən, çoxlaylı perseptron). Bu arxitektura MNIST (Modified National Institute 
of Standards and Technology database), CIFAR (Canadian Institute for 
Advanced Research) və Toronto verilənlər toplusu üçün tətbiq edilir. 
D
ə
rin konvolyusiya GR
Ş
– çoxlaylı konvolyusiya şəbəkələri istifadə 
edilir, şəkillərin sintezi məsələlərinə tətbiq edilir. Bu mühit iki şəbəkədən iba-
rətdir: biri şəbəkə generatoru adlanan konvolyusiya neyron şəbəkə (Convo-
lutional Neural Network, CNN), digəri diskriminator adlanan de-CNN olaraq 
işləyir. Nöqsanı – modelin öyrədilməsi prosesinin xeyli uzun olmasıdır. CNN 
arxitekturasına daxil olan məhdudiyyətlər aşağıdakılardır [Salimans et al., 2016].
Şə
rti GR
Ş
 (Conditional GAN, CGAN)
– 
generatoru giriş olaraq 
c
(sinif 
nişanı, mətn və ya şəkil) və 
z 
gizli küy vektorunu alır. Beləliklə, 
G(z/c) 
reala 
bənzər nümunələrin generasiyasıdır. Generator və diskriminator konkret sinfi 
göstərməklə seçmə toplunun paylanmasını generasiya edə bilərlər. 
Dövri GR
Ş
 (CycleGAN)
– təsvirlərin generasiyası üçün ən qabaqcıl 
GRŞ-dir. Bu şəbəkələr domenlər arasında keçid üçün cüt verilənlər topluları 
tələb etmirlər, çünki belə verilənləri almaq çox çətindir. Buna baxmayaraq, 
dövri şəbəkələr iki müxtəlif X və Y domenlərindən olan verilənlərlə öyrədilmə-
lidirlər (məsələn, X – atlar, Y – zebrlər). Bir domendən digərinə keçidi məh-

---