Wprowadzenie

Generatywne sieci współzawodniczące (GAN) to ekscytująca nowość w systemach uczących się. GAN to modele generacyjne: tworzą one nowe instancje danych, które przypominają dane treningowe. GAN-y mogą na przykład tworzyć obrazy, które wyglądają jak zdjęcia ludzkich twarzy, mimo że twarze te nie należą do żadnej prawdziwej osoby. Te obrazy zostały wygenerowane przez GAN:

Rysunek 1. Obrazy wygenerowane przez GAN stworzony przez firmę NVIDIA.

GAN osiągają ten poziom realizmu, łącząc generator, który uczy się wytwarzać dane docelowe, z dyskryminatorem, który uczy się odróżniać prawdziwe dane od danych wyjściowych generatora. Generator próbuje oszukać dyskryminator, a on próbuje się nie dać oszukać.

W tym kursie omawiamy podstawy GAN oraz sposób tworzenia GAN-ów za pomocą biblioteki TF-GAN.

Cele edukacyjne kursu

• zrozumieć różnicę między modelami generatywnymi a dyskryminacyjnymi;
• Identyfikowanie problemów, które można rozwiązać za pomocą GAN.
• zrozumieć rolę generatora i dyskryminatora w systemie GAN;
• Poznaj zalety i wady typowych funkcji straty GAN.
• Dowiedz się, jak rozwiązać typowe problemy z trenowaniem GAN.
• Użyj biblioteki TF GAN, aby utworzyć GAN.

Wymagania wstępne

W tym kursie zakładamy, że masz:

• Ukończyłeś szybkie szkolenie z uczenia maszynowego, stacjonarnie lub samodzielnie.
• co najmniej niewielkie doświadczenie w programowaniu z użyciem TensorFlow;