Présentation

Les réseaux antagonistes génératifs (GAN) sont une innovation récente et passionnante dans le domaine du machine learning. Les GAN sont des modèles génératifs: ils créent de nouvelles instances de données qui ressemblent à vos données d'entraînement. Par exemple, les GAN peuvent créer des images qui ressemblent à des photographies de visages humains, même si ces visages n'appartiennent à aucune personne réelle. Ces images ont été créées par un GAN:

Figure 1: Images générées par un GAN créé par NVIDIA.

Les GAN atteignent ce niveau de réalisme en associant un générateur, qui apprend à produire la sortie cible, à un discriminateur, qui apprend à distinguer les données réelles de la sortie du générateur. Le générateur tente de tromper le discriminateur, et le discriminateur tente de ne pas se faire tromper.

Ce cours présente les principes de base des GAN et explique comment utiliser la bibliothèque TF-GAN pour créer des GAN.

Objectifs d'apprentissage du cours

• 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.

Prérequis

Ce cours suppose que vous disposez des éléments suivants:

• Vous avez suivi le cours d'initiation au machine learning en présentiel ou en auto-formation.
• Au moins une petite expérience de programmation avec TensorFlow