سرفصل‌ها درس 180 از 246 · ماژول 16: دو شبکه در یک بازی (GANها، اختیاری)
ماژول 16: دو شبکه در یک بازی (GANها، اختیاری)

GANی که رقم می‌کشد

چرا مهم است روی تصاویر، مولد باید یک تصویر را از چند عدد بالا بسازد، برعکس کاری که یک CNN می‌کند. همان تکه‌هایی که از ماژول 10 می‌شناسید (کانولوشن و افزایش نمونهٔ 2 برابری) این کار را به ترتیب معکوس انجام می‌دهند.

GAN رقم دوره، به سبک DCGAN. مولد آن:

  1. 16 عدد نویز، یک لایهٔ متراکم به 2 x 2 x 32 عدد، ReLU: یک تصویر ریز 2 x 2 با 32 کانال.
  2. افزایش نمونهٔ 2 برابری (هر پیکسل به یک بلوک 2 x 2 تبدیل می‌شود) به 4 x 4، یک کانولوشن 3 x 3 به 32 کانال، ReLU.
  3. افزایش نمونه به 8 x 8، یک کانولوشن 3 x 3 به 16 کانال، ReLU.
  4. یک کانولوشن 3 x 3 به 1 کانال، سپس sigmoid: پیکسل‌های 8 x 8 در 0..1.

افزایش نمونه و پس از آن یک کانولوشن کار یک کانولوشن ترانهاده، لایه‌ای که بیشتر مقاله‌ها نام می‌برند، را انجام می‌دهد و از اثرهای شطرنجی آن پرهیز می‌کند.

آموزش آن دقیقه‌ها روی یک لپ‌تاپ از دوره وقت گرفت، بسیار طولانی‌تر از آنچه برای یک درس مناسب است، پس وزن‌های ثبت‌شده را بارگذاری می‌کنید. info['along'] نشان می‌دهد نمونه‌هایش در طول آموزش چگونه بهتر شدند. کار شما: گذر رو به جلوی مولد را بنویسید، سپس آنچه می‌کشد را با داور ماژول 15 داوری کنید.

واژه‌ها و نمادهای این درس
GAN
شبکهٔ مولد تخاصمی: یک مولد و یک تمیزدهنده که در برابر هم آموزش می‌بینند
مولد (G)
شبکه‌ای که نویز را به یک نمونه تبدیل می‌کند
نوبت شما

generate(z, P) را بنویسید: z یک E.T با شکل (n, 16) است؛ یک E.T با شکل (n, 8, 8, 1) برگردانید. از E.matmul، E.add، E.reshape، E.relu، E.upsample2، E.conv و E.sigmoid استفاده کنید. سپس scores را با نزدیکی و تنوع 500 نمونه و share را با سهم نمونه‌هایی که به‌صورت هر رقم خوانده می‌شوند پر کنید. هر لایه در P یک جفت (وزن‌ها، بایاس‌ها) است: P['g1'] = (W, b)، و یک لایهٔ conv بایاسش را پس از E.conv اضافه می‌کند.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.