Blog

Real Estate and Mortgage Blog

dcgan 예제

따라서 모델 학습의 목적은 학습 데이터로부터 맵 f를 가져오는 것입니다. 자율 학습의 경우 입력 s(n)=d1,d2,dN의 데이터 집합을 학습 데이터로 사용하고 모델 f를 만듭니다. 감독 학습에서는 입력 및 해당 출력의 데이터 집합을 사용합니다(n)=(d1,c1),θ,(dN, cN). 간단한 예로, 이미지를 개나 고양이로 분류하는 것과 같은 학습 문제를 살펴보겠습니다. 그런 다음 학습 데이터 집합은 입력 이미지 d1, d2, θ, dN 및 레이블 c1=cat, c2=개, cN=cat로 구성됩니다. 생성적 적대네트워크(GAN)에 대한 소개에서 우리는 GAN의 작동 방식에 대한 기본 아이디어를 소개했습니다. 균일한 분포나 정규 분포와 같이 간단하고 시료하기 쉬운 분포에서 샘플을 그리고 일부 데이터 집합의 분포와 일치하는 샘플로 변환할 수 있음을 보여 주어 보여 주어 보였습니다. 그리고 2D 가우시안 분포를 일치시키는 우리의 예는 요점을 가로 질러 가지고 있지만, 그것은 특히 흥미 롭지 않습니다. 직관적 인 예로, 지폐와 경찰의 위조자 사이의 관계가 자주 사용됩니다. 위조범들은 실제 지폐와 유사한 위조 지폐를 만들려고 합니다. 경찰은 실제 지폐와 위조 지폐를 구별하려고 합니다. 실제 지폐와 위조 지폐를 잘 인식 할 수 있도록 경찰의 능력이 점차 높아진다고 가정됩니다.

그런 다음 위조범은 위조 지폐를 사용할 수 없으므로 실제 지폐와 유사한 위조 지폐를 만들 수 있습니다. 경찰이 기술을 더욱 향상함에 따라 실제 지폐와 위조 지폐를 구별 할 수 있습니다… 결국, 위조자는 정품과 유사한 지폐를 생산할 수 있을 것입니다. 보폭은 높이와 너비를 따라 컨볼루션의 `단계`를 지정합니다. 다음은 애니메이션 예제입니다: 이 자습서는 예제를 통해 DCGANs에 대한 소개를 제공합니다. 우리는 많은 실제 유명 인사의 사진을 보여 후 새로운 유명 인사를 생성하기 위해 생성 적대적 네트워크 (GAN)를 훈련합니다. 여기서 대부분의 코드는 pytorch/예제의 dcgan 구현에서 제공되며 이 문서에서는 구현에 대한 철저한 설명을 제공하고 이 모델이 작동하는 방법과 이유에 대해 설명합니다. 하지만 걱정 하지 마세요, GAN의 사전 지식이 필요 하지 않습니다., 하지만 그것은 실제로 후드 에서 무슨 일이 일어나고 있는지에 대 한 추론에 대 한 몇 가지 시간을 보내고 첫 번째 타이머를 필요로 할 수 있습니다. 또한, 시간을 위해 그것은 GPU를 가지고 하는 데 도움이 될 것입니다., 또는 두.

처음부터 시작할 수 있습니다. Chainer의 데이터 집합 유틸리티 함수 체인을 사용하여 CIFAR-10 데이터 집합을 검색해 보겠습니다.dataset.get_cifar10. CIFAR-10은 작은 자연 이미지 세트입니다. 각 예제는 32×32 크기의 RGB 색상 이미지입니다. 원본 이미지에서 픽셀의 각 구성 요소는 1바이트 의 부호 없는 정수로 표시됩니다. 이 함수는 구성 요소를 간격 [0, 배율]의 부동 점 값으로 확장합니다. Chainer의 공식 리포지토리에는 DCGAN의 예가 있으므로 이를 기반으로 DCGAN을 구현하는 방법을 설명합니다: chainer/예제/dcgan 이 Gist는 gist-it.view rawexamples/dcgan/net.py 이 자습서에서 전체 코드를 보여 주었어요. GAN을 작성하고 훈련하는 데 필요합니다. 다음 단계로 Kaggle에서 사용할 수 있는 대규모 명사 얼굴 속성(CelebA) 데이터 집합과 같은 다른 데이터 집합을 실험해 볼 수 있습니다. 간(GAN)에 대해 자세히 알아보려면 NIPS 2016 자습서: 생성 적대 네트워크(생성 적대 네트워크)를 권장합니다.

예를 들어, 누설 ReLU는 y = 0.01x를 가질 수 있습니다 때 x 0 깊은 컨볼루션 생성 적 대적 네트워크는 CNN의 클래스와 GAN을 안정적이고 자율 학습에서 이미지에서 학습 기능을 사용할 수 있게 만든 첫 번째 접근 방식 중 하나입니다.