数字を描く GAN
なぜ大切か 絵では、生成器はいくつかの数から画像を組み上げる必要があり、CNN がすることの反対です。モジュール 10 から知っている同じ部品(畳み込みと 2 倍のアップサンプリング)が、逆の順でそれをします。
コースの数字の GAN、DCGAN の流儀です。その生成器:
- 16 のノイズの数、2 x 2 x 32 の数への全結合の層、ReLU:32 チャンネルの小さな 2 x 2 の絵。
- 2 倍にアップサンプリング(それぞれの画素が 2 x 2 のかたまりになる)して 4 x 4、32 チャンネルへの 3 x 3 の畳み込み、ReLU。
- 8 x 8 にアップサンプリング、16 チャンネルへの 3 x 3 の畳み込み、ReLU。
- 1 チャンネルへの 3 x 3 の畳み込み、それからシグモイド:0..1 の 8 x 8 画素。
アップサンプリングに畳み込みを続けると、ほとんどの論文が名前を挙げる層である 転置畳み込み の仕事をし、その市松模様の跡を避けます。
その訓練はコースにノートパソコンで何分もかかり、レッスンには長すぎるので、記録した重みを読み込みます。info['along'] が、訓練のあいだにその標本がどう良くなったかを見せます。あなたの仕事:生成器の前向きのたどりを書き、それからモジュール 15 の審査員でそれが描くものを判断すること。
このレッスンの言葉と記号
- GAN
- 敵対的生成ネットワーク:互いに対して訓練する生成器と識別器
- 生成器(G)
- ノイズを標本に変えるネットワーク
generate(z, P) を書いてください:z は形 (n, 16) の E.T です。形 (n, 8, 8, 1) の E.T を返します。E.matmul、E.add、E.reshape、E.relu、E.upsample2、E.conv、E.sigmoid を使います。それから scores を 500 の標本の近さと多様さで、share をそれぞれの数字として読まれる標本の割合で埋めてください。P のそれぞれの層は組 (weights, biases) です:P['g1'] = (W, b)。畳み込みの層は E.conv のあとにバイアスを足します。
この演習はまもなく開きます
その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。
このブラウザは learn.floati.life の Cookie をブロックしているため、ここで修了したレッスンを順番どおりに開けません。このサイトの Cookie を許可して再読み込みしてください。