Einführung

Generative kontradiktorische Netzwerke (GANs) sind eine aufregende neue Innovation im Bereich des maschinellen Lernens. GANs sind generative Modelle, die neue Dateninstanzen erstellen, die Ihren Trainingsdaten ähneln. GANs können beispielsweise Bilder erstellen, die wie Fotos von Menschen aussehen, auch wenn die Gesichter keiner realen Person gehören. Die folgenden Bilder wurden von einem GAN erstellt:

Abbildung 1: Von einem von NVIDIA erstelltes GAN generierte Images

GANs erreichen diesen Realismus durch Kopplung eines Generators, der die Ausgabe des Ziels mit einem Diskriminator lernt, der lernt, echte Daten von der Ausgabe des Generators zu unterscheiden. Der Generator versucht, den Diskriminator zu täuschen. Der Diskriminator versucht zu täuschen.

In diesem Kurs lernen Sie die Grundlagen von GAN kennen und erfahren, wie Sie mit der TF-GAN-Bibliothek GANs erstellen können.

Lernziele

• Unterschiede zwischen generativen und diskriminierenden Modellen verstehen
• Identifizieren Sie Probleme, die mit GANs gelöst werden können.
• Informationen zu den Rollen des Generators und des Diskriminators in einem GAN-System
• Informieren Sie sich über die Vor- und Nachteile gängiger GAN-Verlustfunktionen.
• Mögliche Lösungen für häufige Probleme beim GAN-Training finden
• Verwenden Sie die TF GAN-Bibliothek, um ein GAN zu erstellen.

Voraussetzungen

Für diesen Kurs wird Folgendes vorausgesetzt:

• Sie haben den Crashkurs für maschinelles Lernen entweder persönlich oder im Selbststudium absolviert.
• Sie haben zumindest ein wenig Erfahrung mit der Programmierung mit TensorFlow.