Çekişmeli üretken ağlar (GAN'lar), makine öğrenimindeki son heyecan verici yeniliklerden biridir. GAN'lar üretken modellerdir: Eğitim verilerinize benzeyen yeni veri örnekleri oluştururlar. Örneğin, GAN'lar gerçek bir kişiye ait olmasa bile insan yüzlerinin fotoğraflarına benzeyen resimler oluşturabilir. Aşağıdaki resimler GAN tarafından oluşturulmuştur:
GAN'lar, hedef çıktıyı üretmeyi öğrenen bir üreticiyi gerçek verileri üreticinin çıktısından ayırt etmeyi öğrenen bir ayırt edici ile eşleyerek bu gerçekçilik düzeyine ulaşır. Oluşturucu, ayırt ediciyi kandırmaya çalışır, ayırt edici ise kandırılmamaya çalışır.
Bu kursta, GAN'ların temel özellikleri ve GAN oluşturmak için TF-GAN kitaplığının nasıl kullanılacağı ele alınmaktadır.
Ön koşullar
Bu kursta, aşağıdakileri karşıladığınız varsayılmaktadır:
[null,null,["Son güncelleme tarihi: 2025-02-26 UTC."],[[["Generative adversarial networks (GANs) are generative models that create new data instances resembling training data, such as images that look like real photographs but are not of actual people."],["GANs consist of a generator that learns to produce the target output and a discriminator that learns to distinguish real data from generated data, working in tandem to enhance the realism of the output."],["This course covers GAN fundamentals, common GAN loss functions, training challenges, and using the TF-GAN library to build GANs, assuming prior knowledge of machine learning and TensorFlow."],["Completing Machine Learning Crash Course and having some TensorFlow programming experience are prerequisites for this GANs course."]]],[]]
