מבוא

רשתות יריבות גנרטיביות (GAN) הן חידוש מרגש בתחום למידת המכונה. מודלים של GAN הם מודלים גנרטיביים: הם יוצרים מופעי נתונים חדשים שדומים לנתוני האימון. לדוגמה, רשתות GAN יכולות ליצור תמונות שנראות כמו תמונות של פנים אנושיות, גם אם הפנים לא שייכים לאדם אמיתי. התמונות האלה נוצרו על ידי GAN:

איור 1: תמונות שנוצרו על ידי GAN שנוצר על ידי NVIDIA.

כדי להגיע לרמת ריאליזם כזו, מודלים של GAN משלבים בין גנרטור, שמלמד לייצר את הפלט של היעד, לבין מבדיל, שמלמד להבדיל בין נתונים אמיתיים לבין הפלט של הגנרטור. הגנרטור מנסה להטעות את המבדיל, והמבדיל מנסה לא להטעות.

בקורס הזה תלמדו את היסודות של GAN, וגם איך להשתמש בספרייה TF-GAN כדי ליצור GAN.

יעדי הלמידה בקורס

• הבנת ההבדל בין מודלים גנרטיביים למודלים מפלים.
• זיהוי בעיות ש-GAN יכול לפתור.
• הסבר על התפקידים של הגנרטור והמייחד במערכת GAN.
• הסבר על היתרונות והחסרונות של פונקציות אובדן נפוצות של GAN.
• זיהוי פתרונות אפשריים לבעיות נפוצות בהדרכה של GAN.
• שימוש בספריית TF GAN ליצירת GAN.

דרישות מוקדמות

בקורס הזה אנחנו מניחים שיש לכם:

• השלמת קורס מקוצר על למידת מכונה, באופן פרטי או במסגרת לימוד עצמי.
• ניסיון תכנות ב-TensorFlow, גם אם קטן