Sí, pero no de la manera que quieres.
Suponga que tiene una red A que produce salidas A_out, y utiliza otra red B que toma A_out y produce B_out. B_out indica si A_out es exacto o no. Aquí viene la parte importante: ¿cómo haces que B sepa que A_out es correcto ? Tienes que entrenar B! Obviamente. Pero entonces, ahora estás atrapado con el entrenamiento B. Esto se repite, tienes que crear otra red C para criticar a B y otra D para criticar a C.
Y toda esta tubería: A a B, B a C, C a D, es básicamente una red neuronal gigante . No es nada nuevo, es solo que la salida de B, C o D es diferente del problema original (A). Pero aún así, es solo una gran red neuronal y tienes que entrenarlos a todos, lo que en realidad es más difícil que entrenar solo a A.
- ¿Cómo combina Eureqa bloques de construcción matemáticos en ecuaciones?
- ¿Qué piensas sobre OpenAI?
- ¿Cuál es el algoritmo de inteligencia artificial detrás de la sugerencia de la sección de cada sitio web?
- ¿Qué industrias probablemente no se verán afectadas por el aprendizaje profundo?
- ¿Existen aplicaciones comerciales que hayan utilizado algoritmos de visión artificial?
En general, es mucho más fácil entrenar a A con una sola función objetivo. Esta función objetivo suele ser la mejor crítica que puede obtener para hacer A más precisa.
Pero, si aún desea obtener una red B para predecir si A es precisa o no, siempre puede hacerlo. Nadie te impide experimentar. Además, técnicas similares ya se han hecho en la literatura generativa adversa. Sin embargo, tenga cuidado de que no sea tan fácil usar una función objetivo claramente definida más unas buenas variantes SGD (Adam, RMSprop, etc.).
