خلاصه دوره و مراحل بعدی
اکنون باید بتوانید:
- تفاوت بین مدل های مولد و افتراقی را درک کنید.
- مشکلاتی را که GAN ها می توانند حل کنند، شناسایی کنید.
- نقش مولد و متمایز کننده در یک سیستم GAN را درک کنید.
- مزایا و معایب عملکردهای متداول از دست دادن GAN را درک کنید.
- راه حل های ممکن برای مشکلات رایج آموزش GAN را شناسایی کنید.
- از کتابخانه TF GAN برای ساختن GAN استفاده کنید.
بعد چه است
جز در مواردی که غیر از این ذکر شده باشد،محتوای این صفحه تحت مجوز Creative Commons Attribution 4.0 License است. نمونه کدها نیز دارای مجوز Apache 2.0 License است. برای اطلاع از جزئیات، به خطمشی‌های سایت Google Developers مراجعه کنید. جاوا علامت تجاری ثبت‌شده Oracle و/یا شرکت‌های وابسته به آن است.
تاریخ آخرین به‌روزرسانی 2024-08-13 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2024-08-13 به‌وقت ساعت هماهنگ جهانی."],[[["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."]]],[]]
