숫자를 그리는 GAN
왜 중요한가 그림에서는 생성기가 숫자 몇 개에서 이미지를 쌓아 올려야 해요, CNN이 하는 것의 반대로요. 모듈 10에서 아는 같은 조각(합성곱과 2배 업샘플링)이 그걸 역순으로 해요.
강좌의 숫자 GAN, DCGAN 방식. 그 생성기:
- 잡음 숫자 16개, 2 × 2 × 32개 숫자로 가는 밀집 층, ReLU: 채널 32개짜리 작은 2 × 2 그림.
- 2배 업샘플(각 픽셀이 2 × 2 블록이 돼요)로 4 × 4, 채널 32개로 가는 3 × 3 합성곱, ReLU.
- 8 × 8로 업샘플, 채널 16개로 가는 3 × 3 합성곱, ReLU.
- 채널 1개로 가는 3 × 3 합성곱, 그다음 sigmoid: 0..1의 8 × 8 픽셀.
업샘플링 뒤의 합성곱은 대부분의 논문이 이름을 대는 층인 전치 합성곱의 일을 하고, 그 체커보드 흔적을 피해요.
그걸 훈련하는 데 강좌는 노트북에서 몇 분이 걸렸고, 레슨엔 너무 길어서, 기록된 가중치를 불러와요. info['along']은 훈련 동안 샘플이 어떻게 나아졌는지 보여 줘요. 할 일: 생성기의 순방향 단계를 쓰고, 그다음 모듈 15 심판으로 그것이 그리는 걸 판단하세요.
이 레슨의 단어와 기호
- GAN
- 생성적 적대 신경망: 서로 맞서 훈련하는 생성기와 판별기
- 생성기 (G)
- 잡음을 샘플로 바꾸는 신경망
generate(z, P)를 쓰세요: z는 모양 (n, 16)인 E.T이고, 모양 (n, 8, 8, 1)인 E.T를 반환하세요. E.matmul, E.add, E.reshape, E.relu, E.upsample2, E.conv, E.sigmoid를 쓰세요. 그다음 샘플 500개의 가까움과 다양성으로 scores를, 각 숫자로 읽힌 샘플의 비율로 share를 채우세요. P의 각 층은 쌍(weights, biases)이에요: P['g1'] = (W, b), 그리고 conv 층은 E.conv 뒤에 편향을 더해요.
이 연습은 곧 열려요
앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.
이 브라우저가 learn.floati.life의 쿠키를 막고 있어서, 여기서 마친 레슨들이 순서대로 열리지 않아요. 이 사이트의 쿠키를 허용하고 새로고침하세요.