The latest articles on DEV Community by Victor Ojeda (@victorojedaok). https://dev.to/victorojedaok https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F1312067%2F78c877e4-c557-453d-9d7f-3525c1c9d0dc.jpg https://dev.to/victorojedaok en Victor Ojeda Fri, 19 Sep 2025 02:19:18 +0000 https://dev.to/victorojedaok/introduccion-a-las-gans-22ff https://dev.to/victorojedaok/introduccion-a-las-gans-22ff <p>🌟 ¿Qué son los GANs?</p> <ul> <li>GAN significa Generative Adversarial Network.</li> <li>Fueron introducidas en 2014 por Ian Goodfellow.</li> <li>Son uno de los temas más influyentes en Deep Learning.</li> </ul> <p>Un GAN está formado por dos redes neuronales que se entrenan juntas y en oposición:</p> <ol> <li>Generador (Generator): crea datos sintéticos (imágenes falsas) a partir de ruido aleatorio.</li> <li>Discriminador (Discriminator): distingue entre imágenes reales y falsas.</li> </ol> <p>El generador aprende a engañar al discriminador, mientras que el discriminador aprende a detectar el engaño. Este “juego” es lo que hace que el generador produzca imágenes cada vez más realistas.</p> <p>🤖 Ejemplo clásico</p> <ul> <li>Una de las aplicaciones más conocidas es la generación de rostros humanos.</li> <li>Páginas como This Person Does Not Exist generan caras hiperrealistas de personas que nunca existieron.</li> </ul> <p>🟢 Generative vs. Discriminative Models</p> <ul> <li>Modelos discriminativos: predicen la probabilidad de una clase dada una entrada (P(y|x)). Ejemplos: regresión logística, SVM, redes neuronales para clasificación.</li> <li>Modelos generativos: modelan la distribución de los datos (P(x, y)), lo que permite también generar nuevas muestras. Ejemplo: Naive Bayes, modelos de mezcla gaussiana.</li> </ul> <p>GANs son un tipo especial de modelo generativo, pero en lugar de aprender la distribución explícitamente, la aprenden de manera implícita mediante la interacción entre el generador y el discriminador.</p> <p>🛠️ Funcionamiento básico</p> <ul> <li>Entrada del generador: un vector de ruido aleatorio (extraído de una distribución gaussiana o uniforme).</li> <li>Salida del generador: una imagen falsa.</li> <li>Entrada del discriminador: imágenes reales del dataset + imágenes falsas del generador.</li> <li>Entrenamiento:</li> </ul> <ol> <li>El discriminador se entrena como un clasificador binario con Binary Cross Entropy (real = 1, fake = 0).</li> <li>El generador se entrena pasando sus imágenes falsas al discriminador, pero con etiquetas reales (1) → así aprende a engañar al discriminador.</li> </ol> <p>🎨 Aplicaciones de GANs</p> <ul> <li>El texto menciona varios ejemplos impresionantes:</li> <li>SRGAN: mejora la resolución de imágenes (superresolución).</li> <li>Temporal Shift GAN: genera secuencias de imágenes → videos.</li> <li>StackGAN: genera imágenes a partir de texto.</li> <li>Image-to-image translation: transformar bocetos en renders 3D, blanco y negro a color, etiquetas → fachadas de edificios.</li> <li>Inpainting: rellenar partes faltantes de una imagen.</li> <li>Face aging: predecir cómo se vería una persona más joven o más vieja.</li> <li>3D object generation: generar vistas de objetos en 3D.</li> </ul>