Introducción

Las redes generativas adversarias (GAN) son una innovación reciente y emocionante en el aprendizaje automático. Las GAN son modelos generativos: crean instancias de datos nuevas que se parecen a tus datos de entrenamiento. Por ejemplo, las GAN pueden crear imágenes que parecen fotografías de rostros humanos, aunque los rostros no pertenezcan a ninguna persona real. Estas imágenes fueron creadas por un GAN:

Figura 1: Imágenes generadas por una GAN creada por NVIDIA.

Las GAN logran este nivel de realismo combinando un generador, que aprende a producir el resultado objetivo, con un discriminador, que aprende a distinguir los datos reales del resultado del generador. El generador intenta engañar al discriminador, y el discriminador intenta evitar que lo engañen.

En este curso, se abordan los aspectos básicos de las GAN y cómo usar la biblioteca de TF-GAN para crearlas.

Objetivos de aprendizaje del curso

• Comprender la diferencia entre los modelos generativos y discriminativos
• Identificar problemas que las GAN pueden resolver
• Comprender los roles del generador y el discriminador en un sistema de GAN
• Comprende las ventajas y desventajas de las funciones de pérdida de GAN comunes.
• Identifica posibles soluciones a problemas comunes con el entrenamiento de GAN.
• Usa la biblioteca de GAN de TF para crear una GAN.

Requisitos previos

En este curso, se supone que tienes lo siguiente:

• Haber completado el Curso intensivo de aprendizaje automático, ya sea de forma presencial o de autoaprendizaje
• Al menos un poco de experiencia en programación con TensorFlow