دوره آموزشی ساخت GAN و مدل های انتشار با TensorFlow و PyTorch
2 ساعت 22 دقیقهپیشرفته2022-09-15
مدرسین
Janani Ravi
Certified Google Cloud Architect and Data Engineer
جزئیات دوره
اگر به دنبال یک دوره تصادف در مدل سازی مولد هستید، این دوره برای شما ساخته شده است. شبکههای متخاصم مولد (GAN) و مدلهای انتشار برخی از مهمترین اجزای زیرساخت یادگیری ماشین هستند. به مربی Janani Ravi بپیوندید تا در مورد نحوه شروع ساخت GAN با شبکه های عصبی متراکم و همچنین شبکه های پیچیده عمیق بیشتر بدانید. Javani به شما اصول آموزش یک GAN کانولوشنال عمیق را روی تصاویر چند کانالی نشان می دهد. در طول مسیر، او نکاتی را در مورد چگونگی راه اندازی و اجرای GAN ها با استفاده از TensorFlow و مدل های انتشار با استفاده از PyTorch به شما می دهد.
مهارت ها
PulumiKubernetesMachine LearningAdvancedAmazon Web Services (AWS)AmazonGenerative AIArtificial Intelligence FoundationsArtificial Intelligence (AI)Open Source
سرفصل ها
0. مقدمه
- 01 - مروری بر مدل های مولد
- 02 - کاربردهای مدل های مولد
1. شروع به کار با شبکه های دشمن مولد
- 03 - معرفی GAN ها و مدل های انتشار
- 04 - مولد و ممیز
- 05 - مروری بر معماری یک GAN
- 06 - آموزش مولد و ممیز
- 07 - مشکلات رایج GAN ها
2. ساخت GAN با استفاده از یک شبکه عصبی متراکم
- 08 - راه اندازی با Google Colab
- 09 - بارگیری مجموعه داده های مد MNIST
- 10 - شبکه ژنراتور
- 11 - شبکه تبعیض
- 12 - توابع ضرر دشمن
- 13 - آموزش شبکه متخاصم مولد
- 14 - تولید تصاویر با استفاده از GAN
3. ساخت یک GAN با استفاده از یک شبکه کانولوشن عمیق
- 15 - مروری بر CNN ها
- 16 - لایه کانولوشن منتقل شده
- 17 - GAN های کانولوشن عمیق
- 18 - تصاویر در مقیاس خاکستری - مولد و تفکیک کننده در یک GAN کانولوشن عمیق
- 19 - تصاویر در مقیاس خاکستری - آموزش یک GAN کانولوشن عمیق
4. آموزش Deep Convolutional GAN روی تصاویر چند کاناله
- 20 - تصاویر رنگی - بارگذاری داده های تصویر چند کاناله
- 21 - تصاویر رنگی - مولد و تفکیک کننده در یک GAN کانولوشن عمیق
- 22 - تصاویر رنگی - آموزش Deep Convolutional GAN
5. شروع به کار با مدل های انتشار
- 23 - سه راه یادگیری مولد
- 24 - معرفی مدلهای احتمالی انتشار نویز زدایی
- 25 - مدل های احتمالی انتشار نویز زدایی چگونه کار می کنند
- 26 - فرآیند انتشار به جلو
- 27 - فرآیند انتشار معکوس
- 28 - آموزش مدل انتشار - شهود
6. اجرای یک مدل انتشار
- 29 - حذف نویز از مدل های احتمالی انتشار - کاوش پیاده سازی در GitHub
- 30 - مدلهای احتمالی انتشار نویز زدایی - نمای کلی کد
- 31 - نویز زدایی از مدل های احتمالی انتشار - ترفندهای کد
- 32 - نویز زدایی از مدل های احتمالی انتشار - تولید تصاویر
نتیجه
- 33 - خلاصه و مراحل بعدی