خلاصه دوره و مراحل بعدی
با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
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 2025-02-26 به‌وقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین به‌روزرسانی 2025-02-26 به‌وقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eThis webpage focuses on providing an understanding of Generative Adversarial Networks (GANs), including their applications, architecture, and training challenges.\u003c/p\u003e\n"],["\u003cp\u003eReaders will learn to differentiate between generative and discriminative models, identify problems suited for GANs, and grasp the functions of the generator and discriminator components.\u003c/p\u003e\n"],["\u003cp\u003eThe content covers various GAN loss functions with their pros and cons, along with strategies to address typical GAN training issues.\u003c/p\u003e\n"],["\u003cp\u003ePractical application is emphasized by guiding readers to use the TensorFlow GAN library for GAN creation.\u003c/p\u003e\n"],["\u003cp\u003eFurther exploration is encouraged through links to more TensorFlow GAN examples for continued learning and experimentation.\u003c/p\u003e\n"]]],[],null,["# Course Summary and Next Steps\n\n\u003cbr /\u003e\n\nYou should now be able to:\n\n- Understand the difference between generative and discriminative models.\n- Identify problems that GANs can solve.\n- Understand the roles of the generator and discriminator in a GAN system.\n- Understand the advantages and disadvantages of common GAN loss functions.\n- Identify possible solutions to common problems with GAN training.\n- Use the TF GAN library to make a GAN.\n\nWhat's Next\n-----------\n\n- Browse [more TF-GAN\n examples](https://github.com/tensorflow/gan/tree/master/tensorflow_gan/examples)."]]
