Einführung

Generative Adversarial Networks (GANs) sind eine spannende Innovation im Bereich maschinelles Lernen. GANs sind generative Modelle: Sie erstellen neue Dateninstanzen, die Ihren Trainingsdaten ähneln. GANs können beispielsweise Bilder erstellen, die wie Fotos von menschlichen Gesichtern aussehen, obwohl die Gesichter keiner realen Person gehören. Diese Bilder wurden von einem GAN erstellt:

Abbildung 1: Von einem von NVIDIA erstellten GAN generierte Bilder

GANs erreichen diesen Realismus, indem sie einen Generator, der lernt, die Zielausgabe zu erzeugen, mit einem Diskriminator kombinieren, der lernt, echte Daten von der Ausgabe des Generators zu unterscheiden. Der Generator versucht, den Diskriminator zu täuschen, und der Diskriminator versucht, sich nicht täuschen zu lassen.

In diesem Kurs werden die Grundlagen von GANs und die Verwendung der TF-GAN-Bibliothek zum Erstellen von GANs behandelt.

Lernziele des Kurses

• Den Unterschied zwischen generativen und diskriminativen Modellen verstehen
• Probleme identifizieren, die mit GANs gelöst werden können
• Die Rolle des Generators und des Diskriminators in einem GAN-System verstehen
• Vorteile und Nachteile gängiger GAN-Verlustfunktionen
• Mögliche Lösungen für häufige Probleme beim GAN-Training identifizieren
• Mit der TF GAN-Bibliothek ein GAN erstellen

Vorbereitung

Für diesen Kurs wird Folgendes vorausgesetzt:

• Sie haben den Crashkurs „Maschinelles Lernen“ entweder in Präsenz oder im Selbststudium absolviert.
• Mindestens ein wenig Erfahrung mit der Programmierung mit TensorFlow