पाठ्यक्रम 246 में से पाठ 180 · Module 16: एक खेल में दो networks (GANs, वैकल्पिक)
Module 16: एक खेल में दो networks (GANs, वैकल्पिक)

अंक बनाने वाला एक GAN

यह क्यों मायने रखता है तस्वीरों पर, generator को कुछ संख्याओं से एक image बनानी होती है, एक CNN के काम का उल्टा। Module 10 से जाने वही टुकड़े (convolution और 2x upsampling) इसे करते हैं, उल्टे क्रम में।

कोर्स का अंक GAN, DCGAN शैली। इसका generator:

  1. 16 शोर संख्याएँ, 2 x 2 x 32 संख्याओं तक एक dense layer, ReLU: 32 channels वाली एक छोटी 2 x 2 तस्वीर।
  2. 2x upsample (हर pixel एक 2 x 2 block बनता है) 4 x 4 तक, 32 channels तक एक 3 x 3 convolution, ReLU।
  3. 8 x 8 तक upsample, 16 channels तक एक 3 x 3 convolution, ReLU।
  4. 1 channel तक एक 3 x 3 convolution, फिर sigmoid: 0..1 में 8 x 8 pixels।

Upsampling के बाद एक convolution एक transposed convolution का काम करता है, वह layer जिसका ज़्यादातर papers नाम लेते हैं, और उसकी checkerboard कलाकृतियों से बचता है।

इसे train करने में कोर्स को एक laptop पर मिनट लगे, एक पाठ के लिए बहुत लंबा, इसलिए आप दर्ज weights load करते हैं। info['along'] दिखाता है कि training के दौरान इसके नमूने कैसे सुधरे। आपका काम: generator का forward pass लिखें, फिर Module 15 के परखने वाले से परखें कि यह क्या बनाता है।

इस पाठ के शब्द और चिह्न
GAN
generative adversarial network: एक generator और एक discriminator जो एक-दूसरे के ख़िलाफ़ train होते हैं
generator (G)
वह network जो शोर को एक नमूने में बदलता है
आपकी बारी

generate(z, P) लिखें: z आकार (n, 16) का एक E.T है; आकार (n, 8, 8, 1) का एक E.T लौटाएँ। E.matmul, E.add, E.reshape, E.relu, E.upsample2, E.conv और E.sigmoid इस्तेमाल करें। फिर scores को 500 नमूनों की closeness और variety से, और share को हर अंक के रूप में पढ़े नमूनों के हिस्से से भरें। P की हर layer एक जोड़ी (weights, biases) है: P['g1'] = (W, b), और एक conv layer अपना bias E.conv के बाद जोड़ती है।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।