gan 예제

변형 자동 엔코더는 입력 데이터를 인코딩하는 데 추가 제약 조건을 추가하는 생성 알고리즘, 즉 숨겨진 표현이 정규화됩니다. 변형 자동 엔코더는 자동 엔코더와 같은 데이터를 압축하고 GAN과 같은 데이터를 합성할 수 있습니다. 그러나 GAN은 미세하고 세분화된 세부 사항으로 데이터를 생성하는 반면, VA에 의해 생성된 이미지는 더 흐려지는 경향이 있습니다. Deeplearning4j의 예로는 자동 엔코더와 변형 자동 엔코더가 모두 있습니다. 새로운 그럴듯한 샘플을 생성하는 것은 2014년 논문 « 생성 적대적 네트워크 »에서 Ian Goodfellow에 의해 원본 논문에 설명된 응용 프로그램으로, 여기서 는 MNIST 필기 숫자 데이터 세트에 대한 새로운 그럴듯한 예제를 생성하는 데 사용되었습니다. CIFAR-10 작은 개체 사진 데이터 세트 및 토론토 얼굴 데이터베이스. 생성 적 대망을 구현하는 샘플 파이썬 코드: GAN은 계산 비용이 매우 높습니다. 그들은 좋은 결과를 생성하기 위해 고성능 GPU와 많은 시간 (많은 수의 시대)이 필요합니다. 이 예제에서는 유명한 MNIST 데이터 집합을 사용하여 임의의 숫자의 복제본을 생성합니다. Pix2Pix는 교차 도메인 GAN의 논문에서 자주 인용되는 이미지 대 이미지 번역입니다.

예를 들어 위성 이미지를 맵(왼쪽 아래)으로 변환합니다. GAN은 또한 종양 검출에 있는 의학과 같은 그밖 산업, 예를 들면 확장할 수 있습니다. 이 자습서에서 GAN을 작성하고 학습하는 데 필요한 전체 코드를 보여 주어 있습니다. 다음 단계로 Kaggle에서 사용할 수 있는 대규모 명사 얼굴 속성(CelebA) 데이터 집합과 같은 다른 데이터 집합을 실험해 볼 수 있습니다. 간(GAN)에 대해 자세히 알아보려면 NIPS 2016 자습서: 생성 적대 네트워크(생성 적대 네트워크)를 권장합니다. 예를 들어 전자 메일(데이터 인스턴스)의 모든 단어가 주어지면 차별적 알고리즘은 메시지가 스팸인지 아닌지 예측할 수 있습니다. 스팸은 레이블 중 하나이며 전자 메일에서 수집 된 단어 가방은 입력 데이터를 구성하는 기능입니다. 이 문제가 수학적으로 표현되면 레이블을 y라고 하며 피처를 x라고 합니다. 공식 p(y|x)는 « y주어진 x의 확률 »을 의미하는 데 사용되며, 이 경우 « 이메일에 포함된 단어가 스팸일 확률 »로 변환됩니다.

이 게시물에서는 간을 사용하고 유용하게 사용할 수 있는 문제 유형에 대한 직관을 개발하는 데 도움이 되는 많은 흥미로운 GAN 응용 프로그램을 검토합니다. 전체 목록은 아니지만 미디어에 있는 간(GAN)의 많은 예제 용도가 포함되어 있습니다. 이것은 또한 알렉 래드포드에 의해 « 깊은 컨볼루션 생성 적대적 네트워크와 자율 적 표현 학습 »이라는 제목의 중요한 2015 논문에서 사용되는 데모, 외. 대규모에서 안정적인 GAN을 훈련하는 방법을 보여 DCGAN이라고. 그들은 침실의 새로운 예를 생성하기위한 모델을 시연했다. Subeesh Vasu, 등. 2018 년 논문에서 « 향상된 지각 초고해상도 네트워크를 사용하여 지각 왜곡 절충 분석 »을 기울여 거리 장면에 초점을 맞추고 고해상도 사진을 만드는 GAN의 예를 제공합니다. 판별기를 학습할 때 생성기 값을 일정하게 유지합니다. 발전기를 훈련할 때 판별자 상수를 유지합니다. 각자는 정적 적에 맞서 훈련해야 합니다. 예를 들어, 이렇게 하면 생성기가 학습해야 하는 그라데이션을 더 잘 읽을 수 있습니다. Ayushman Dash, 외.

« TAC-GAN – 텍스트 조건 보조 분류기 생성 적대 네트워크 »라는 제목의 2017 년 논문에서 겉보기에 동일한 데이터 집합에 대한 더 많은 예제를 제공합니다.

This entry was posted in Non classé. Bookmark the permalink.

Comments are closed.