Введение

Генеративно-состязательные сети (GAN) — это недавняя инновация в машинном обучении. GAN — это генеративные модели: они создают новые экземпляры данных, напоминающие ваши обучающие данные. Например, GAN могут создавать изображения, похожие на фотографии человеческих лиц, даже если эти лица не принадлежат реальному человеку. Эти изображения были созданы GAN:

Рис. 1. Изображения, созданные с помощью GAN, созданного NVIDIA .

GAN достигают этого уровня реализма за счет объединения генератора, который учится выдавать целевой результат, с дискриминатором, который учится отличать истинные данные от выходных данных генератора. Генератор пытается обмануть дискриминатор, а дискриминатор пытается уберечься от обмана.

В этом курсе рассматриваются основы GAN, а также способы использования библиотеки TF-GAN для создания GAN.

Цели обучения курса

• Поймите разницу между генеративными и дискриминативными моделями.
• Определите проблемы, которые могут решить GAN.
• Поймите роли генератора и дискриминатора в системе GAN.
• Поймите преимущества и недостатки общих функций потерь GAN.
• Определите возможные решения распространенных проблем, связанных с обучением GAN.
• Используйте библиотеку TF GAN, чтобы создать GAN.

Предварительные условия

Этот курс предполагает, что у вас есть:

• Пройти ускоренный курс машинного обучения очно или самостоятельно.
• Хотя бы небольшой опыт программирования с TensorFlow.