Résumé du cours et prochaines étapes
Vous savez à présent comment :
- Comprendre la différence entre les modèles génératifs et discriminatifs
- Identifier les problèmes que les GAN peuvent résoudre
- Comprendre le rôle du générateur et du discriminateur dans un système GAN
- Comprendre les avantages et les inconvénients des fonctions de perte GAN courantes
- Identifier des solutions possibles aux problèmes courants liés à l'entraînement de GAN
- Utilisez la bibliothèque TF GAN pour créer un GAN.
Étape suivante
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/01/13 (UTC).
[null,null,["Dernière mise à jour le 2025/01/13 (UTC)."],[[["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."]]],[]]