Fácil acceso a redes enemigas generativas
A menudo informamos sobre los logros de las GAN en IA, pero ¿qué es exactamente una GAN? Deje que Google responda esto con esta guía para principiantes de GAN, completa con excelentes ilustraciones, instrucciones paso a paso y un lenguaje sencillo.
Con un título poco imaginativo, se llama claramente Redes antagónicas generativas, este curso es parte de una colección más grande de cursos avanzados de aprendizaje automático de Google. El resto son:
- Bosques de decisión
- Sistemas de recomendación
- Agrupación
- Clasificación de imágenes
- Equidad en la API de perspectiva
Todos ellos tienen un requisito previo de finalización. Un curso intensivo de aprendizaje automáticoque cubrimos Realice el curso intensivo de aprendizaje automático de Google en Enero
y altamente calificado:
En marzo de 2018, Google abrió las puertas a su Curso intensivo de aprendizaje automático, que tomaron más de 18,000 Googlers. Este curso gratuito proporciona un punto de partida para que cualquier persona aprenda y aplique conceptos de ML y contiene 15 horas de material. , incluidos videos instructivos, visualizaciones interactivas y ejercicios
Si bien hay muchos y excelentes cursos de aprendizaje automático, la audiencia prevista varía, pero este gana la corona entre los que son aptos para principiantes. Si bien abordar esto requiere el conocimiento de algunas cosas, a saber, Numpy y Pandas, también hay dos tutoriales muy rápidos sobre estos temas. De todos modos, solo se necesita una comprensión básica.
Esto es nuevamente muy notable en las GAN que siguen sus pasos. Dividido en cuatro secciones distintas, Descripción general, Anatomía de GAN, Uso de GAN y TF-GAN del mundo real, responde las preguntas más comunes sobre GAN:
- ¿Para qué se usan?
- que es generador y discriminador
- Cómo se fabrica GAN
- ¿Qué son las funciones de pérdida?
- ¿Cuáles son las fallas y problemas comunes?
- ¿Qué variaciones de GAN hay?
Como descripción general de alto nivel, las GAN constan de dos redes neuronales; un generador que aprende a producir una salida objetivo y un discriminador que aprende a distinguir los datos verdaderos de la salida del generador. El generador, bueno, genera datos, y el discriminador decide si esos datos son válidos o aceptables. El objetivo es generar datos nuevos, pero siempre realistas, basados en el conjunto de datos de entrenamiento consumidos.
Las GAN se utilizan principalmente en la generación de imágenes, la generación de video y la generación de sonido. Por ejemplo, fotos esta persona no existe.com es generado por un GAN entrenado en imágenes de personas. De manera similar, una GAN entrenada en poemas puede generar poemas por sí misma. Pero, ¿qué pasa con el uso de los “deseos” de moda de hoy para generar caras usando un lenguaje natural impulsado por GPT-3? Como “Crea un rostro femenino con cabello rubio y ojos verdes”.
Por lo general, piensas que tales conceptos son muy difíciles de entender. No temas, este curso los hace fáciles de entender,
mejorado con diagramas e ilustraciones claros. Si bien se enfoca principalmente en el aspecto teórico del asunto, también brinda espacio para la codificación práctica dentro del Tutorial TF-GAN basado en Codelabs (para Tensor Flow GAN), donde puede escribir código Python para generar figuras escritas a mano.
Al final del curso usted debería ser capaz de:
- Comprender la diferencia entre modelos generativos y discriminativos.
- Identificar los problemas que las GAN pueden resolver.
- Comprender los roles de generador y discriminador en un sistema GAN.
- Comprender las ventajas y desventajas de las funciones de pérdida de GAN comunes.
- Identificar posibles soluciones a problemas comunes con el entrenamiento GAN.
- Utilice la biblioteca TF GAN para generar una GAN.
¡Buena cosa!
Detalles
Artículos relacionados
Realice el curso intensivo de aprendizaje automático de Google
Aprenda algoritmos de aprendizaje automático desde cero con Python
GANPaint: uso de IA para el arte
Regístrese para recibir notificaciones de nuevos artículos sobre I Programmer boletín semanal, suscribir RSS Feed y síguenos Gorjeo, Facebook o LinkedIn.
Comentarios
o envíe su comentario por correo electrónico a: comentarios@i-programmer.info
