Публикации по теме 'generative-adversarial'
Последствия GAN
Генеративно-состязательные сети (GAN) — это простое, но гениальное использование нейронных сетей для создания, казалось бы, человеческих творческих/художественных вещей. Они в основном используются для создания изображений с потрясающе реалистичными результатами.
Во-первых, немного предыстории GAN — для простоты описания я собираюсь рассказать о приложениях GAN к изображениям, но их можно использовать с самыми разными исходными материалами. GAN состоят из двух нейронных сетей,..
GAN (Генеративная состязательная сеть)
Идея GAN заключается в том, что у вас есть две сети, генератор G и дискриминатор D, конкурирующие друг с другом. Генератор передает «фальшивые» данные на дискриминатор. Дискриминатор также видит реальные обучающие данные и предсказывает, являются ли полученные данные настоящими или фальшивыми.
Генератор обучен обмануть дискриминатор, он хочет выводить данные, которые выглядят как можно ближе к реальным обучающим данным.
Дискриминатор - это классификатор, который обучен определять,..
Генеративная состязательная сеть для сверхвысокого разрешения МРТ
Магнитно-резонансная томография: мощный, но ограниченный ресурс
Смотрели ли вы когда-нибудь видео, в котором неопределенно обсуждается один из следующих вопросов: искусственный интеллект, нейробиология или сознание. Может быть, это было начало фильма о зомби, где объясняют, как началась вирусная вспышка. Если да, скорее всего, они проиграли клип, похожий на тот, что вы видите ниже (рис. 1). Этот GIF-файл проходит через срезы медицинского 3D-сканирования, называемого магнитно-резонансным..
DiagonalGAN — Объяснение распутывания контента и стиля в StyleGAN!
Объяснение статьи: диагональное внимание и GAN на основе стиля для распутывания стиля контента при создании и переводе изображений
Введение
При создании изображений важной задачей было распутывание стиля контента.
Подающий надежды художник -Generative Adversarial Network
«Цель искусства не в том, чтобы воспроизвести реальность, а в том, чтобы создать реальность такой же интенсивности».
- Альберто Джакометти
Введение
Как художник и энтузиаст машинного обучения, я задавался вопросом, как машина будет рисовать, если ее научат использовать цвета и мазки кистью. У вас такой же вопрос? GAN можно использовать для создания произведений искусства! The Verge писал в марте 2019 года, что изображения, созданные GAN, стали определяющим видом..
Генеративные состязательные сети с нуля — это просто: создание и обучение модели GAN с помощью…
Генеративно-состязательные сети (GAN) — захватывающая область исследований, которая произвела революцию в машинном обучении. Благодаря своей способности создавать новые данные, изучая существующие данные, GAN добились впечатляющих результатов в различных областях, таких как синтез изображений и речи, создание музыки и даже открытие лекарств. В этом среднем посте я покажу вам, как создать GAN с нуля, используя Python и PyTorch.
Для начала мы импортируем необходимые модули и создадим..
Потери генеративно-состязательных сетей и интуиция оптимальной точки
В этом чтении я буду обсуждать функцию потерь GAN и оптимальную точку обучения GAN, как описано в исследовательской статье 2014 года по GAN, ссылка на документ GAN . Учебное пособие написано, чтобы дать представление об оптимальной точке обучения GAN, не углубляясь в математику.
GAN — это класс генеративных моделей, которые неявно моделируют распределение данных. Существуют такие модели, как VAE, явные модели плотности, которые моделируют данные, явно определяя распределение по данным,..