مقدمه

شبکه های متخاصم مولد (GAN) یک نوآوری هیجان انگیز اخیر در یادگیری ماشین هستند. GAN ها مدل های مولد هستند: آنها نمونه های داده جدیدی ایجاد می کنند که شبیه داده های آموزشی شما هستند. به عنوان مثال، GAN ها می توانند تصاویری را ایجاد کنند که شبیه عکس های صورت انسان هستند، حتی اگر چهره ها متعلق به هیچ شخص واقعی نباشد. این تصاویر توسط یک GAN ایجاد شده است:

شکل 1: تصاویر تولید شده توسط GAN ایجاد شده توسط NVIDIA .

GAN ها با جفت کردن یک ژنراتور، که یاد می گیرد خروجی هدف را تولید کند، با یک تفکیک کننده، که یاد می گیرد داده های واقعی را از خروجی ژنراتور متمایز کند، به این سطح از واقع گرایی دست می یابند. مولد سعی می کند متمایز کننده را فریب دهد و ممیزکننده سعی می کند فریب خورده را نگیرد.

این دوره اصول GAN و همچنین نحوه استفاده از کتابخانه TF-GAN برای ایجاد GAN را پوشش می دهد.

اهداف آموزشی دوره

• 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.

پیش نیازها

این دوره فرض می کند که شما دارید:

• دوره آموزشی تصادفی یادگیری ماشین را به صورت حضوری یا خود مطالعه تکمیل کرد.
• حداقل کمی تجربه برنامه نویسی با TensorFlow داشته باشید