Публикации по теме 'generative-adversarial'
Полу-контролируемое обучение с GAN
В этом посте я расскажу о частичной повторной реализации недавней статьи о множественной регуляризации (Lecouat et al., 2018) для полууправляемого обучения с помощью Generative Adversarial Networks (Goodfellow et al., 2014). Я попытаюсь заново реализовать их основной вклад, вместо того, чтобы правильно понимать все детали гиперпараметров. Кроме того, для демонстрации, временных ограничений и простоты я буду рассматривать набор данных MNIST, а не наборы данных CIFAR10 или SVHN, как это..
Объяснение внедрения DCGAN в Керасе
Объяснение внедрения DCGAN в Керасе
Недавно я начал читать статьи, связанные с GAN (Generative Adversarial Networks). Я восхищен этой новой революционной технологией в области компьютерного зрения. Чтобы глубже понять реализацию, я просматриваю код DCGAN (Deep Convolutional Generative Adversarial Networks).
Это код, который я пытаюсь понять:
Глубокая сверточная генеративная состязательная сеть | TensorFlow Core В этом руководстве показано, как..
Создайте InfoGAN с нуля
Изучите InfoGAN и создайте свою собственную сеть InfoGAN для создания рукописных цифр MNIST для конкретных функций
На изображении выше вы можете сказать, какие рукописные цифры синтезируются машиной, а какие - людьми? Ответ: все они синтезированы машиной! Фактически, это изображение взято из научной статьи InfoGAN: обучение интерпретируемому представлению с помощью информации, максимизирующей генеративные состязательные сети , где авторы разработали специальную генерирующую..
Введение в генерирующие состязательные сети (GAN)
Если вы знаете, кто из Тома и Джерри лучше или кто из Тома и Джерри выигрывает битву, то, вероятно, вы имеете некоторое представление о том, как работают GAN. Эта статья - моя попытка объяснить: что такое GAN, как они работают и как их обучают.
«Самая крутая идея в области глубокого обучения за последние 20 лет». - Янн ЛеКун о GAN.
Одного этого замечания достаточно для важности и новаторства сетей GAN. GAN или генерирующие состязательные сети были введены в 2014 году Яном..
Обзор архитектуры CycleGAN и обучение.
0. Введение
Генеративные состязательные модели (GAN) состоят из 2 нейронных сетей: генератора и дискриминатора. CycleGAN состоит из 2 GAN, что в сумме составляет 2 генератора и 2 дискриминатора.
Имея 2 набора различных изображений, например лошадей и зебр, один генератор преобразует лошадей в зебр, а другой преобразует зебр в лошадей. На этапе обучения дискриминаторы проверяют, кажутся ли изображения, вычисленные генераторами, настоящими или поддельными. Благодаря этому процессу..
Советы по ускорению обучения GAN и достижению лучших результатов
Недавно я участвовал в конкурсе по Kaggle , в котором стояла задача обучить генеративную состязательную сеть (GAN) на наборе данных Stanford Dogs для создания новых невидимых изображений собак. Это был первый онлайн-конкурс, в котором я когда-либо участвовал.
Сети GAN были в тренде с момента их внедрения, а также дали потрясающие результаты. Я читал о них, а также реализовал несколько простых архитектур на наборе данных MNIST, чтобы проверить свои знания, но у меня никогда не было..
10 важных документов для начала работы с машинным обучением
Каждую неделю публикуются новые статьи по глубокому обучению, которые часто основываются на предыдущих статьях (нормальный путь в науке). Следовательно, важно получить хороший обзор некоторых точек входа в различные подтемы в глубоком обучении. Я представлю десять работ, которые были особенно важны в последние несколько лет, и которые дадут вам хорошую основу для понимания более сложных работ. Я предполагаю, что вы уже знакомы с основами многослойных персептронов, обратного распространения..