Публикации по теме 'generative-adversarial'


Как вы генерируете синтетические данные?
Автор статьи Dr. Кристоф Вемейер , старший специалист по данным в Statice, где он занимается разработкой машинного обучения. Кристоф имеет докторскую степень. по теоретической физике Свободного университета Берлина. До этого он проработал пять лет в качестве постдокторанта, изучая методы машинного обучения для молекулярной биологии. В этой статье мы поговорим о том, как сгенерировать синтетические данные . Мы представляем логику генерации синтетических табличных данных и роль..
Переосмысление истории в цвете с Pix2Pix в качестве помощника
Переосмысление истории в цвете с Pix2Pix в качестве помощника Сотрудничество креативщиков и искусственного интеллекта: как обученная модель pix2pix может помочь с раскрашиванием Люди по своей природе творческие. Новые инструменты раскрывают творческий потенциал, дремлющий в незадействованной волне творцов, которые находят неожиданные способы продемонстрировать свои художественные способности. Согласно исследованию Pfeiffer Consulting , даже опытные художники ценят новые технологии..
Сравнение между различными глубокими нейронными сетями и генеративными состязательными сетями
В этом мы представляем обзор трех основных подходов DNN, связанных с различными приложениями обработки изображений, а именно: автоэнкодеры, сверточные нейронные сети и генеративно-состязательные сети. Сверточные нейронные сети Сверточные нейронные сети — это глубокие нейронные сети, которые используют операции свертки вместо более традиционных матричных умножений в несколько слоев и используются для обработки данных с регулярной выборкой, таких как 2D и 3D-изображения. Архитектуры..
Генерация покемонов
ЧЛЕНЫ КОМАНДЫ: Когер Дарден, Джейк Дежарле, Стивен Хан, Джордж Танг ИДЕЯ И ПРЕДЫСТОРИЯ Для финального проекта EE 379K Data Science наша группа изначально интересовалась проектом, включающим генерацию изображений или текста. Мы подумали, что делать что-то с покемонами будет весело, поэтому решили посмотреть, сможем ли мы генерировать покемонов. В Интернете мы видели, как люди создают лица знаменитостей, используя генеративно-состязательные сети (GAN). Полученные лица были довольно..
Простой GAN с использованием PyTorch
Генеративно-состязательные сети (GAN) — это очень крутой способ моделирования многомерного распределения с использованием глубоких нейронных сетей. GAN могут генерировать фотореалистичные изображения. Однако в этой реализации я хотел иметь общую надежную реализацию, которую можно было бы легко понять и адаптировать для других вариантов использования . Эта реализация во многом заимствована из DCGAN, в частности, из PyTorch DCGAN Tutorial . GAN, использующие исходную функцию потерь..
Сохраняйте спокойствие и тренируйте GAN. Подводные камни и советы по обучению генеративных состязательных сетей
Генеративные состязательные сети (GAN) - одна из самых горячих тем в глубоком обучении в настоящее время. За последние несколько месяцев количество статей, опубликованных в GAN, резко увеличилось. Сети GAN применялись для решения самых разных задач, и на случай, если вы опоздали на поезд, здесь - это список некоторых интересных приложений GAN. Я много читал о GAN, но никогда не играл с ними сам. Итак, просмотрев несколько вдохновляющих статей и репозиториев на github, я решил..
Синтез текста в изображение с использованием мультимодальных (VQGAN + CLIP) архитектур
Как дела, парни!! Это моя первая история на Medium. Сегодня я собираюсь реализовать проект GAN с мультимодальной архитектурой глубокого обучения под названием clip , которая будет связывать текст с визуальными элементами. Я буду комбинировать его с генеративной моделью, архитектурой трансформирующего типа, чтобы я мог принимать текстовые подсказки и генерировать визуальные эффекты и изображения, даже делать видео последовательностей из этой текстовой подсказки. Вы можете сделать..