ملخص الدورة والخطوات التالية
من المفترض أن يكون بإمكانك الآن إجراء ما يلي:
- فهم الفرق بين النماذج التوليدية والنماذج التمييزية
- تحديد المشاكل التي يمكن أن تحلّها الشبكات التوليدية التنافسية
- فهم أدوار المُنشئ والمحرِّف في نظام GAN
- فهم مزايا وعيوب دوالّ خسارة GAN الشائعة
- تحديد الحلول المحتملة للمشاكل الشائعة في تدريب نموذج GAN
- استخدِم مكتبة TF GAN لإنشاء شبكة GAN.
الخطوات التالية
إنّ محتوى هذه الصفحة مرخّص بموجب ترخيص Creative Commons Attribution 4.0 ما لم يُنصّ على خلاف ذلك، ونماذج الرموز مرخّصة بموجب ترخيص Apache 2.0. للاطّلاع على التفاصيل، يُرجى مراجعة سياسات موقع Google Developers. إنّ Java هي علامة تجارية مسجَّلة لشركة Oracle و/أو شركائها التابعين.
تاريخ التعديل الأخير: 2025-01-13 (حسب التوقيت العالمي المتفَّق عليه)
[null,null,["تاريخ التعديل الأخير: 2025-01-13 (حسب التوقيت العالمي المتفَّق عليه)"],[[["This webpage focuses on providing an understanding of Generative Adversarial Networks (GANs), including their applications, architecture, and training challenges."],["Readers will learn to differentiate between generative and discriminative models, identify problems suited for GANs, and grasp the functions of the generator and discriminator components."],["The content covers various GAN loss functions with their pros and cons, along with strategies to address typical GAN training issues."],["Practical application is emphasized by guiding readers to use the TensorFlow GAN library for GAN creation."],["Further exploration is encouraged through links to more TensorFlow GAN examples for continued learning and experimentation."]]],[]]