Generator – część GAN tworząca dane.

Jest to jeden z dwóch podstawowych komponentów sieci generatywnych przeciwstawnych (GAN), którego zadaniem jest tworzenie nowych, syntetycznych danych na podstawie losowego szumu lub innych wewnętrznych reprezentacji. Model ten uczy się generować dane tak, aby mogły one być jak najbardziej podobne do rzeczywistych próbek z określonego zbioru danych, dzięki czemu możliwe jest uzyskanie realistycznych obrazów, dźwięków, tekstów lub innych form danych. Proces uczenia polega na rywalizacji z drugim komponentem GAN, zwanym dyskryminatorem, który ocenia autentyczność wygenerowanych danych.

Generator jest zazwyczaj implementowany jako sieć neuronowa, która przekształca niskowymiarowy wektor losowy w wysokowymiarową próbkę, starając się zmylić dyskryminatora poprzez produkcję danych trudnych do odróżnienia od rzeczywistych. Poprzez iteracyjne dostosowywanie parametrów na podstawie sygnału zwrotnego od dyskryminatora, generator poprawia jakość generowanych danych, co prowadzi do coraz bardziej realistycznych i zróżnicowanych wyników. W efekcie generator stanowi kluczowy element w zastosowaniach takich jak tworzenie obrazów, wzorców, symulacja danych czy generowanie realistycznych animacji.