Sistemas de

Gestión de la
Información

Redes Generativas
Antagónicas – GAN´s

Agosto 2019
 FACULTAD DE POSGRADO

INVESTIGACIÓN

REDES GENERATIVAS ANTAGÓNICAS

SUSTENTADO POR:

ALEXANDRA VALLADARES

BRENDA ERAZO MADRID

NIDIA IRIAS

LIDIA ONEIDY ALVARADO

WILDRINH RAMIREZ

TEGUCIGALPA M.D.C. F. M., HONDURAS C. A.

AGOSTO 2019
Resumen Ejecutivo

Las GAN´s son un tipo de inteligencia artificial, que utiliza dos sistemas
neuronales que permiten la creación de caras, imágenes, objetos entre otros que
nunca han existido.

Se originaron en el 2014 por un grupo de estudiantes universitarios a

quienes les surgió la duda de ¿cómo enseñar a las máquinas a inventar
representaciones de objetos reales, sin copiar otras ya existentes y de modo que
el resultado parezca una verdadera fotografía? Este tipo de IA trabaja con dos
redes neuronales, una de generador y la otra de discriminador, las que trabajan
de forma conjunta para sacar el producto, que son estos objetos que nunca han
existido a partir de bocetos o datos.

Las GAN´s se han utilizado para producir muestras de imágenes, foto

realista de diseño industrial, de interiores, de ropa y complementos, o elementos
para escenas de juegos de ordenador. Se han utilizado en distintas industrias.

Aunque es una tecnología realmente asombrante, si no es utilizada con

los fines correctos puede crear problemas, ya que se pueden crear falsificaciones
que pueden usarse para causar daño, noticias falsas, conversaciones que no
existieron, manipulación de la información entro otros.

En el futuro las GAN´s se va a usar en varias disciplinas, como para hacer

mejores medicinas, para el diseño de medicamentos, también podremos ver que
se usará GAN´s para diseñar mejores secuencias de ADN, mejorar diseños en
cuanto a velocidad, tamaños y formas.

La humanidad debe estar preparada enfrentarse y conocer todo lo es está

surgiendo y prever de que forma esto impactara la vida de las personas, la
economía, la sociedad, lo medios de comunicación y el comercio mismo.
 Contenido

1. Introducción ........................................................................................................... 3

2. Objetivo General .................................................................................................... 3

3. Específicos del proyecto ........................................................................................ 3

4. Desarrollo .............................................................................................................. 4

4.1. Definición ........................................................................................................... 4

4.2. Origen de las GAN´s ......................................................................................... 4

4.3. Tipos de Redes Neuronales ............................................................................... 5

4.4. Funcionamiento de las GAN´s ........................................................................... 5

4.5. Aplicación de las GAN´s .................................................................................... 6

4.6. Pro y Contras de las Redes Generativas Antagónicas ....................................... 7

4.6.1. Ventajas ......................................................................................................... 7

4.6.2. Desventajas .................................................................................................... 7

4.6.3. Inconvenientes ............................................................................................... 8

4.7. GAN´s en el Futuro ......................................................................................... 10

4.8. Ejemplo de GAN´s .......................................................................................... 11

5. Conclusiones ....................................................................................................... 14

6. Bibliografía........................................................................................................... 15
Indicen de Ilustraciones
Ilustración 1 Funcionamiento de las GAN´s ................................................................. 6
Ilustración 2 Aplicación de las GAN´s .......................................................................... 7
Ilustración 3 Colapso Modal .......................................................................................... 8
Ilustración 4 Convergencia............................................................................................ 9
Ilustración 5 Calidad ................................................................................................... 10
Ilustración 6 Generador de Dormitorios....................................................................... 11
Ilustración 7 Fotos a partir de bocetos ........................................................................ 11
Ilustración 8 10 Yars challenge ................................................................................... 12
Ilustración 9 Generador de imágenes a través de texto .............................................. 12
Ilustración 10 Thispersondoesnotexist.com ............................................................... 13
Ilustración 11 Style GAN´s ......................................................................................... 13
Ilustración 12 Generación de paisajes realistas a partir de bocetos .......................... 14
Ilustración 13 No sólo para imágenes ........................................................................ 14

2
1. Introducción

Las Redes Generativas Antagónicas, son consideradas como unas de las

diez tecnologías emergentes más impactantes que están marcando el mundo
actual. Su funcionamiento a través de redes neuronales hace que sean no tan
fáciles de comprender. Sin embargo, el impacto que están teniendo en la
actualidad y que pueden tener en le futuro, hace necesario que se indague
acerca de las mismas, poder identificar de que son, como funcionan, cual es el
uso que se le da y cuales son los pros y contra que están tiene. Y de esta manera
saber cómo actuar ante estas nuevas tecnologías que surgen. Es por ello que a
continuación se detalla una breve investigación respecto al tema.

2. Objetivo General
Conocer como la inteligencia artificial a través de las Redes Generativas
Antagónicas (GAN´s), están generando nueva tecnología y su impacto en el
mundo actual.

3. Específicos del proyecto

 Definir que son las Redes Generativas Antagónicas (GAN´s)

 Identificar los tipos de redes neuronales y su funcionamiento.
 Determinar cómo se aplican las GAN´s y cuáles son los pros y contras
que tienen.
 Identificar la evolución de las GAN´s en el futuro.

3
4. Desarrollo
4.1. Definición

Las Redes Generativas Antagónicas, también conocidas como GAN´s en

inglés, son una clase de algoritmos de inteligencia artificial que se utilizan en el
aprendizaje no supervisado, implementadas por un sistema de dos redes
neuronales que compiten mutuamente en una especie de juego de suma cero.
(Wikipedia, 2019)

En otras palabras, se trata de algoritmos que les permiten a dos redes

neuronales competir entre ellas mismas para aprender y evolucionar por sí solas.
Se trata de dos sistemas de inteligencia artificial interactuando entre sí para
diseñar con creatividad propia cualquier clase de imagen e incluso sonidos tan
reales que pueden tomarse como si se hubiese hecho por una persona real.
Todo esto es algo que hasta el momento ninguna máquina había sido capaz de
realizar. (Garcia, 2018)

4.2. Origen de las GAN´s

El origen de las GAN´s tiene lugar en una noche de 2014 cuando el

científico computacional Ian Goodfellow, entonces estudiante de doctorado en el
campo del aprendizaje automático en la Universidad de Montreal (Canadá), se
reunió con algunos de sus compañeros en un bar para celebrar una graduación.
Durante la velada surgió una discusión sobre cómo enseñar a las máquinas a
inventar representaciones de objetos reales, sin copiar otras ya existentes y de
modo que el resultado parezca una verdadera fotografía. (Yanes, 2018)

Uno de los jóvenes, Ian Goodfellow, del grupo de debate, decidió probar
que tenía razón y escribió un código de madrugada. Posteriormente lo envió a
sus compañeros y luego trazaron un plan.

Se basó en investigaciones por Jürgen Schmidhuber acerca de la

curiosidad artificial y la previsibilidad previas de la década de los 90 publicados
de minimización, así como el concepto teorizado por Li, Gauci y Bruto en 2013
sobre el concepto de aprendizaje Turing. (APD, 2019)

4
 4.3. Tipos de Redes Neuronales

Los tipos de Redes neuronales se clasifican en dos tipos, mismos que se detallan
a continuación:

 Red Generador: esta red tal y como su nombre lo indica, se encarga de

generar nuevos datos y asimismo producir muestras que puedan engañar
al Discriminador para que este crea que son reales.
 Red Discriminador: se trata de un clasificador de redes neuronales
profundas, que trata de resolver muestras reales (objetivos) a partir de
muestras falsa generadas.

4.4. Funcionamiento de las GAN´S

Las GAN´s funcionan por medio de dos redes neuronales (Red Generador
y Red Discriminador) mismas que permiten crear y refinar nuevos datos.

La primera red conocida como la red “generador”, el proceso es, el reverso

de la función de clasificación de las redes neuronales. En lugar de tomar datos
sin procesar y asignarlos a determinadas salidas, el generador rastrea desde la
salida e intenta generar los datos de entrada que se asignarían a esa salida.

En la segunda red, el “discriminador” califica la calidad de los resultados

del generador en una escala de 0 a 1. Si el puntaje es demasiado bajo, el
generador corrige los datos y los reenvía al discriminador. Luego las GAN’s
repiten el ciclo en sucesiones súper rápidas hasta que puedan crear datos con
puntuación alta que luego se asignarán a la salida deseada.

Los algoritmos discriminatorios tratan de clasificar los datos de entrada.

Es decir, dadas unas características de unos datos, predicen una etiqueta o
categoría a la que pertenecen esos datos.

Dicho de otro modo, las GAN’s se pueden comparar con el juego del gato
y el ratón. Es decir, el generador está tratando de evitar al discriminador
haciéndole creer que la entrada que le está proporcionando es auténtica.
(BUHIGAS, 2019)

5
Ilustración 1 Funcionamiento de las GAN´S ´s

Ilustración 2 Aplicación de las GAN´S ´sIlustración 3 Funcionamiento de las GAN´S ´s

4.5. Aplicación de las GAN´s

Las GAN´s se han utilizado para producir muestras de imágenes foto

realista de diseño industrial, de interiores, de ropa y complementos, o elementos
para escenas de juegos de ordenador. Han aparecido informaciones de que
Facebook ha llegado a utilizar este tipo de redes. Recientemente, algunas GAN´s
han generado patrones de movimiento en vídeo. También se han utilizado para
reconstruir modelos 3D a partir de imágenes 2D y para mejorar imágenes
astronómicas.

Las GAN´s se acoplan perfectamente permitiéndole a las distintas redes

neuronales imitar de manera más eficiente el funcionamiento del cerebro
humano. Es decir, se añade como pieza clave para permitirle a la IA tener una
especie de imaginación o creatividad propia.

Hay muchas aplicaciones prácticas para GAN´s. Por ejemplo, se puede

utilizar para crear diseños de interiores aleatorios para darles nuevas y frescas
ideas a los decoradores.

También se puede utilizar en la industria de la música. En ese caso, la

inteligencia artificial ya ha hecho grandes avances. Por ejemplo, crear nuevas
composiciones en varios estilos, que los músicos pueden ajustar y perfeccionar
más adelante.

6
 También se pueden usar en los nuevos sistemas de IA para la conducción
automática de vehículos y para acelerar la investigación en cualquier área donde
esté presente la IA.

Por ejemplo, desde teléfonos móviles, hasta el mundo de la medicina en

donde puede ayudar a generar datos para algoritmos de IA, sin la necesidad de
recopilar información de los pacientes. Esto puede ser algo muy bueno para
áreas como la investigación y el descubrimiento de nuevos fármacos. (Garcia,
2018)

Ilustración 4 Aplicación de las GAN´S ´s

Ilustración 5 Colapso ModalIlustración 6 Aplicación de las GAN´S ´s

4.6. Pro y Contras de las Redes Generativas Antagónicas

4.6.1. Ventajas

 Ambas redes están entrenadas con el mismo conjunto de datos.

 Los GAN´s se usaron para crear sonidos e imágenes hiperrealistas.
 Capaz de crear cientos de rostros creíbles de personas que no existen.
 La red generativa aprende a reconocer y posteriormente a crear imágenes de
patrones de aspectos realistas.
 Uno de los avances más prometedores de la inteligencia artificial en la última
década.

4.6.2. Desventajas

7
 No existe una representación explicita de la distribución del generador que
provenga de los datos de entrenamiento, en lugar, el cual debe de sincronizar
bien con la distribución de los datos que se enfrenta con 2 red durante el
entrenamiento.
 Las GAN´s tiene un potencial para el mal, una maquina diseñada para crear
falsificaciones (generador de mentiras, noticias falsas, una herramienta
perfecta para la manipulación política o la difamación).
 Se puede engañar al discriminador fácilmente, lo que produce la red
generativa no será realista. (Silva, 2015)

4.6.3. Inconvenientes

 Colapso modal

Las distribuciones naturales de datos son altamente complejas y

multimodales. Es decir, la distribución de datos tiene muchos “picos” o muchos
“modos”. Cada modo representa una concentración de muestras de datos
similares, pero es diferente al de otros modos.

Durante el colapso modal, el Generador produce muestras que

pertenecen a un conjunto limitado de modos. Esto sucede cuando el Generador
cree que puede engañar al Discriminador bloqueando un solo modo, sin evaluar
los otros. Es decir, el generador produce muestras exclusivamente desde este
modo.

Ilustración 7 Colapso Modal

La imagen de arriba representa la salida de una GAN´s sin colapso del
modo. La imagen de abajo representa la salida de una GAN´s con colapso de
Ilustración 8 ConvergenciaIlustración 9 Colapso Modal
modo.

8
  Convergencia

Una pregunta común en el entrenamiento de GAN´s es “¿cuándo dejamos

de entrenarlas?”. Dado que la pérdida del Generador mejora cuando la pérdida
del Discriminador se degrada (y viceversa), no podemos juzgar la convergencia
basándonos en el valor de la función de pérdida. Esto se ilustra en la siguiente
imagen:

Ilustración 10 Convergencia

Gráfico de una
Ilustración 11 CalidadIlustración 12 Convergencia
función típica de
pérdida de GAN´s. Observa cómo la convergencia no puede ser interpretada
desde este gráfico. El problema de la convergencia es uno de los más
habituales.

 Calidad

9
 Al igual que con el problema
anterior, es difícil determinar
cuantitativamente cuándo el generador
produce muestras de alta calidad. La
regularización perceptual adicional añadida
a la función de pérdida puede ayudar a
mitigar este problema hasta cierto punto,
Ilustración 13 Calidad
pero la duda es básicamente la misma.

Ilustración 14 Generador de
DormitoriosIlustración 15 Calidad

 Métricas

La función objetivo de la GAN´s se establece para poder determinar el

buen comportamiento del Generador o del Discriminador con respecto a su
oponente. Sería como el marcador del partido. Sin embargo, no representa la
calidad ni la diversidad del resultado, que es mucho más complejo (como en la
vida misma). Por lo tanto, necesitamos métricas distintas que puedan medir lo
mismo. Y esto es complejo. (BUHIGAS, 2019)

4.7. GAN´s en el Futuro

En el futuro las GAN´s se van a usar en varias disciplinas, como para

hacer mejores medicinas, para el diseño de medicamentos, también podremos
ver que se usará GAN´s para diseñar mejores secuencias de ADN, para convertir
secuencias de ADN en proteínas y usarlas en medicina.

Se podría usar GAN´s para diseñar chips más rápidos, autos más
eficientes, edificios que sean más resistentes a los terremotos, o que sean más
económicos de construir. Toda esta tecnología es muy incipiente, por ahora es
difícil que un sistema de deep learning funcione. Se necesita un experto que lo
realice, no es algo que se puede esperar que funcione solo en cualquiera
aplicación, pero a medida que vayamos mejorando, se espera ver esta
tecnología cada vez en más áreas. Y empezará a ser algo que facilitará la vida

10
y hará que diferentes industrias sean más eficientes. Por ahora es más que nada
una herramienta de entretenimiento.

4.8. Ejemplo de GAN´s

 Generando dormitorios
Uno de los primeros ejemplos del uso de modelos generativos es el de la
generación de imágenes de dormitorios. Por aquellos entonces (año 2016), las
imágenes que se podían generar con GAN´s tenían poca resolución.

Ilustración 16 Generador de Dormitorios

Ilustración 17 Fotos a partir de bocetosIlustración 18 Generador de Dormitorios

 Fotos
a partir de
bocetos
La siguiente imagen, sacada de este trabajo, muestra cómo se generan,
a partir de bocetos, fotos de carreteras, de edificios y de bolsos. Además, se

Ilustración 19 Fotos a partir de bocetos

Ilustración 20 10 Years challengeIlustración 21 Fotos a partir de bocetos

11
genera un mapa a partir de la imagen de satélite, se convierte una foto de día a
de noche y se genera una foto en color a partir de una en blanco y negro.

 10 years challenge
Para los que participaron en el 10 years challenge, a lo mejor ayudaron con
vuestras fotos a mejorar este otro trabajo. En la siguiente imagen puedes ver
cómo el modelo generativo crea diferentes versiones de caras condicionadas a
la edad que queramos.

Ilustración 22 10 Years challenge

Ilustración 23 Generador de imágenes a través de textoIlustración 24 10 Years challenge

 Generación de imágenes a partir de texto

También es posible condicionar a las redes generativas adversarias para
que generen imágenes a partir de un texto. Así podremos escribir la descripción
de una imagen y el generador creará una imagen compatible con esa
descripción.

Ilustración 25 Generador de imágenes a través de texto

Ilustración 26 Thispersondoesnotexist.comIlustración 27 Generador de imágenes a través de texto

12
  Thispersondoesnotexist.com
thispersondoesnotexist.com es una web creada por nvidia que crea caras
en alta definición de personas que no existen. Aquí tienes un ejemplo de 3 caras
que he obtenido.

Ilustración 28 Thispersondoesnotexist.com

Ilustración 29 Style GAN´S Ilustración 30 Thispersondoesnotexist.com  Style

GAN´S
Style GAN´s permite cambiar estilos tales como la pose, color de pelo,
texturas, etc.

Ilustración 31 Style GAN´S

Ilustración 32 Generación de paisajes realistas a partir de bocetosIlustración 33 Style GAN´S

 Generación de paisajes realistas a partir de bocetos

Nvidia nos sorprende una vez más con un prototipo basado en redes
neuronales generativas adversarias. Con este prototipo, cualquiera se puede
convertir en un pintor profesional, ya que permite generar escenas realistas a
partir de bocetos muy simples

13
Ilustración 34 Generación de paisajes realistas a partir de bocetos

Ilustración 35 No sólo para imágenesIlustración 36 Generación de paisajes

realistas a partir de bocetos

 No sólo para imágenes

Hasta ahora, todos los ejemplos que hemos vistos de modelos
generativos estaban enfocados a imágenes. Pero no tiene por qué ser así.
También pueden aplicarse a otros tipos de datos tales como las series
temporales o incluso la música. En este trabajo, han usado modelos generativos
para generar partituras. (Heras, 2019)

Ilustración 37 No sólo para imágenes

5. Conclusiones

14
  Las Redes Generativas Antagónicas (GAN´s) tienen como finalidad dotar
a las maquinas con algo parecido a la imaginación, lo que reducirá la
dependencia de los humanos, sustituyendo la imaginación y la
creatividad, aprender cosas sobre el mundo y su funcionamiento.
 Con los avances de la inteligencia artificial respecto a las redes
generativas antagónicas el futuro de la humanidad en relación con la
producción de trabajo y comunicación se prevé un alto problema de
desempleo por el cambio de las relaciones entre patrones y trabajadores.
 De momento las GAN´s tienen más vocación para generar contenido falso
(deep fakes) que cualquier otra actividad. Esto podría traernos
consecuencias indeseadas.
 Si a las GAN´s se les da un uso adecuado, en el futuro puede ser una
herramienta clave en el desarrollo tecnológico de la salud, la industria, la
economía y la comunicación.

6. Bibliografía

APD. (05 de 2019). APD. Obtenido de APD: https://www.apd.es/GAN´s -o-redes-generativas-

antagonicas-que-son/

BUHIGAS, J. (05 de 04 de 2019). Puentes Digitales. Obtenido de Puentes Digitales:

https://puentesdigitales.com/2019/04/05/todo-lo-que-necesitas-saber-sobre-las-
GAN´s -redes-generativas-antagonicas/

Garcia, D. (20 de 10 de 2018). Intel Dig. Obtenido de https://www.inteldig.com/2018/10/las-

redes-generativas-antagonicas-funcionan/: https://www.inteldig.com/2018/10/las-
redes-generativas-antagonicas-funcionan/

Heras, J. M. (28 de 03 de 2019). IArtificial.net. Obtenido de IArtificial.net:

https://iartificial.net/redes-neuronales-generativas-adversarias-GAN´s /

Silva, P. R. (01 de 2015). Medium. Obtenido de Medium:

https://medium.com/@preyespe.ds/generative-adversarial-nets-GAN´s -
ca49d5e9197d

15
Wikipedia. (22 de 03 de 2019). Obtenido de Wikipedia:
https://es.wikipedia.org/wiki/Red_generativa_antag%C3%B3nica

Yanes, J. (12 de 11 de 2018). OpenMind. Obtenido de OpenMind:

https://www.bbvaopenmind.com/tecnologia/inteligencia-artificial/GAN´s -la-
imaginacion-de-las-maquinas-al-poder/

16