Introduction

Les réseaux antagonistes génératifs (GAN) constituent une innovation récente intéressante en machine learning. Les GAN sont des modèles génératifs: ils créent des 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 réseau 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 celui-ci tente d'éviter de l'être.

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

Objectifs du cours

• Comprendre la différence entre les modèles génératifs et discriminatifs
• Identifier les problèmes que les GAN peuvent résoudre.
• Comprendre les rôles du générateur et du discriminateur dans un système GAN
• Comprendre les avantages et les inconvénients des fonctions de perte du GAN
• Identifier les solutions possibles aux problèmes courants liés à l'entraînement du GAN
• Utilisez la bibliothèque TF GAN pour créer un GAN.

Prérequis

Pour suivre ce cours, vous devez avoir:

• Avoir suivi un Cours d'initiation au Machine Learning en présentiel ou en auto-formation
• Un minimum d'expérience en programmation avec TensorFlow