Conteúdo do curso Lição 174 de 246 · Módulo 15: Comprimir, reconstruir, gerar (autoencoders e VAEs)
Módulo 15: Comprimir, reconstruir, gerar (autoencoders e VAEs)

Andando de um dígito para outro

Por que isso importa Se o espaço de código não tiver lacunas, a linha reta entre dois códigos deve passar por imagens que são dígitos o tempo todo. Isso é um teste direto do que o pull 2 comprou, e a base de cada "morph" que você viu de geradores de imagem.

Pegue dois dígitos de teste, a e b. Seus códigos são mu_a e mu_b. Um latent walk decodifica os pontos mu_a + t (mu_b - mu_a) para t de 0 a 1. Compare com a alternativa óbvia, um cross-fade em pixels: (1 - t) a + t b, que apenas mistura duas tintas.

Assista à cena: o mesmo traçado desenhado nos dois sentidos, quadro a quadro, com a proximidade de cada quadro com o dígito real mais próximo ao lado dele.

Então meça em muitos pares, não em um: pegue 200 pares de dígitos diferentes e julgue os pontos médios (t = 0.5) de cada método.

Palavras e símbolos nesta lição
code (latente)
os poucos números que o encoder faz de uma imagem
VAE
variational autoencoder: um autoencoder cujos códigos são puxados para preencher N(0, 1), então códigos aleatórios decodificam para novas imagens
mu, logvar
o centro e o log da dispersão ao quadrado de um número de código em um VAE
proximidade, variedade
o juiz do curso: distância até o dígito real mais próximo, e bits de dispersão sobre os dez dígitos
latent walk
decodificando pontos na linha reta entre dois códigos
Sua vez

Escreva walk(model, a, b, steps) retornando steps imagens de a até b através do espaço de código (a primeira e a última são os códigos decodificados de a e b). Depois preencha halfway com a proximidade das 200 imagens intermediárias para o VAE walk e para o cross-fade.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.