coursera gan specialization

Coursera での敵対的生成ネットワークの専門化 (deeplearning.ai によって提供)

deeplearning.aiが提供する Coursera GAN スペシャライゼーションのすべてのコースからのプログラミング課題。

コース

Coursera の GAN スペシャライゼーションには、次の 3 つのコースが含まれています。

1. コース 1: 基本的な敵対的生成ネットワークを構築する

2. コース 2: より優れた敵対的生成ネットワークを構築する

3. コース 3: 敵対的生成ネットワーク (GAN) を適用する

GANについて

• Generative Adversarial Networks (GAN) は、リアルな画像、ビデオ、音声出力を生成できる強力な機械学習モデルです。

• ゲーム理論に根ざした GAN は、敵対的な攻撃と戦うことによるサイバーセキュリティの向上やプライバシーを保護するためのデータの匿名化から、最先端の画像の生成、白黒画像のカラー化、画像解像度の向上、アバターの作成まで、幅広い用途を持っています。 2D 画像を 3D に変換するなど。

• コンピューティング能力が向上するにつれて、GAN とその機能の人気も高まりました。 GAN は、機械学習モデルをトレーニングするための大量のデータセットの生成や、強力な教師なし学習モデルの実現から、より鮮明で離散的、より正確な出力の生成まで、多くの新しい方向性を切り開きました。 GAN は、敵対的学習、敵対的な例と攻撃、モデルの堅牢性などの隣接分野の研究にも情報を提供しています。

この専門分野について

• deeplearning.ai 敵対的生成ネットワーク (GAN) スペシャライゼーションは、GAN による画像生成の刺激的な入門書を提供し、わかりやすいアプローチを通じて基本概念から高度な技術までの道筋を示します。また、ML におけるバイアスとそれを検出する方法、プライバシー保護など、社会的影響についても取り上げます。

• 包括的な知識ベースを構築し、GAN の実践的な経験を積みます。 PyTorch を使用して独自のモデルをトレーニングし、それを使用してイメージを作成し、さまざまな高度な GAN を評価します。

あなたについて

• このスペシャライゼーションは、機械学習に興味があり、GAN がどのように機能するかを理解したい、あらゆる分野のソフトウェア エンジニア、学生、研究者を対象としています。

• このスペシャライゼーションは、高度な数学や機械学習の研究に事前に精通していなくても、GAN の分野に参入したり、GAN を自分のプロジェクトに適用したいと考えているあらゆるレベルの学習者にアクセスしやすい道筋を提供します。

プログラミングの課題

コース 1: 基本的な敵対的生成ネットワーク (GAN) を構築する

• これは、敵対的生成ネットワーク (GAN) スペシャライゼーションの最初のコースです。

第 1 週: GAN の概要

• GAN とそのアプリケーションについて学び、GAN の基本コンポーネントの背後にある直感を理解し、PyTorch を使用して独自の GAN を構築します。
• 割り当て：
  • 初めての GAN

第 2 週: ディープ畳み込み GAN

• 畳み込み層を使用して、より洗練された GAN を構築します。便利な活性化関数、バッチ正規化、転置畳み込みについて学び、GAN アーキテクチャを調整し、それらを適用して画像処理専用の高度な DCGAN を構築します。
• 割り当て：
  • ディープ畳み込み GAN (DCGAN)

第 3 週: 正規化を使用した Wasserstein GAN

• W-Loss とリプシッツ連続性の理解により、不安定なトレーニングやモード崩壊を軽減する WGAN などの高度なテクニックを学習することで、ジェネレーターとディスクリミネーターの間の不均衡による GAN 障害のインスタンスを減らします。
• 割り当て：
  • 勾配ペナルティを備えた Wasserstein GAN (WGAN-GP)

第 4 週: 条件付きおよび制御可能な GAN

• GAN を効果的に制御し、生成されたイメージの特徴を変更し、決定されたカテゴリからサンプルを生成できる条件付き GAN を構築する方法を理解します。
• 課題:
  • 条件付き GAN を構築する
  • 制御可能な発電

---

コース 2: より優れた敵対的生成ネットワーク (GAN) を構築する

• これは、敵対的生成ネットワーク (GAN) スペシャライゼーションの 2 番目のコースです。

第 1 週: GAN の評価

• GAN を評価する際の課題を理解し、さまざまな GAN パフォーマンス測定の長所と短所を学び、エンベディングを使用して Fréchet Inception Distance (FID) メソッドを実装して GAN の精度を評価します。
• 割り当て：
  • GAN / フレシェ開始距離の評価

第 2 週: GAN の欠点と偏見

• 他の生成モデルと比較した場合の GAN の欠点を確認し、これらのモデルの長所と短所を発見します。さらに、機械学習のバイアスが発生する可能性のある多くの場所、それが重要な理由、および GAN​​ でバイアスを特定するアプローチについて学びます。 。
• クイズ：
  • バイアスの分析
• 割り当て：
  • バイアス
• 研究室:
  • 変分オートエンコーダー (VAE)

第 3 週: StyleGAN と進歩

• StyleGAN が以前のモデルをどのように改善し、現在強力な機能を備えた最先端の GAN である StyleGAN に関連するコンポーネントと技術を実装するかを理解します。
• 割り当て：
  • StyleGAN のコンポーネント
• オプションのノートブック:
  • BigGAN のコンポーネント
  • スタイルGAN2

---

コース 3: 敵対的生成ネットワーク (GAN) を適用する

• これは、敵対的生成ネットワーク (GAN) スペシャライゼーションの 3 番目のコースです。

第 1 週: データ拡張とプライバシー保護のための GAN

• GAN のアプリケーションを調査し、データ拡張、プライバシー、匿名性に関して検証します。
• GAN で生成されたデータを使用してダウンストリーム AI モデルを改善します。
• 割り当て：
  • データ拡張

第 2 週: 画像から画像への変換

• 画像から画像への変換フレームワークを活用し、画像を超えたモダリティへのこのフレームワークの拡張、一般化、および応用を特定します。
• ペアの画像間変換 GAN である Pix2Pix を実装し、高度な U-Net ジェネレーターと PatchGAN 弁別器アーキテクチャーを使用して、衛星画像を地図ルートに (またはその逆に) 適応させます。
• 課題:
  • ユーネット
  • ピクスツーピクス

第 3 週: 画像から画像への不対変換

• ペアのある画像間の変換とペアになっていない画像間の変換を比較し、それらの主な違いがどのように異なる GAN アーキテクチャを必要とするかを特定します。
• ペアになっていない画像間変換モデルである CycleGAN を実装し、2 つの GAN を 1 つにまとめて馬をシマウマに (またはその逆に) 適応させます。
• 割り当て：
  • サイクルガン

免責事項

人々が直感を養い、新しい概念を理解し、課題をデバッグするのに大変な時間を費やしていることを私は認識しています。ここにアップロードされたソリューションは参照のみを目的としています。これらは、どこかで行き詰まった場合にブロックを解除することを目的としています。コードの一部をそのままコピーしないでください (説明をよく読めば、プログラミングの割り当ては非常に簡単です)。同様に、クイズの解答を参照する前に、自分でクイズを試してみてください。