coursera gan specialization

Coursera의 생성적 적대 신경망 전문화(deeplearning.ai에서 제공)

deeplearning.ai 에서 제공하는 Coursera GAN 전문 분야의 모든 과정에서 프로그래밍 과제를 제공합니다.

행동

Coursera의 GAN 전문화 과정에는 세 가지 과정이 포함되어 있습니다.

1. 과정 1: 기본 생성적 적대 신경망 구축

2. 과정 2: 더 나은 생성적 적대 신경망 구축

3. 과정 3: 생성적 적대 신경망(GAN) 적용

GAN 정보

• GAN(생성적 적대 신경망)은 사실적인 이미지, 비디오 및 음성 출력을 생성할 수 있는 강력한 기계 학습 모델입니다.

• 게임 이론에 뿌리를 둔 GAN은 적의 공격에 맞서 사이버 보안을 개선하고 개인 정보 보호를 위해 데이터를 익명화하는 것부터 최첨단 이미지 생성, 흑백 이미지 색상화, 이미지 해상도 증가, 아바타 생성, 2D 이미지를 3D로 변환하는 등의 작업을 수행합니다.

• 컴퓨팅 성능이 향상됨에 따라 GAN과 그 기능의 인기도 높아졌습니다. GAN은 기계 학습 모델 훈련을 위해 대량의 데이터 세트를 생성하고 강력한 비지도 학습 모델을 허용하는 것부터 더 명확하고 개별적이며 정확한 출력을 생성하는 것까지 많은 새로운 방향을 열었습니다. GAN은 또한 적대적 학습, 적대적 사례 및 공격, 모델 견고성 등과 같은 인접 영역에 대한 연구에 정보를 제공했습니다.

이 전문 분야 정보

• deeplearning.ai 생성적 적대 신경망(GAN) 전문 분야는 이해하기 쉬운 접근 방식을 통해 기본 개념부터 고급 기술까지의 경로를 도표화하여 GAN을 사용한 이미지 생성에 대한 흥미로운 소개를 제공합니다. 또한 ML의 편견과 이를 탐지하는 방법, 개인 정보 보호 등을 포함한 사회적 영향을 다룹니다.

• 포괄적인 지식 기반을 구축하고 GAN에 대한 실무 경험을 쌓으세요. PyTorch를 사용하여 자신만의 모델을 훈련하고, 이를 사용하여 이미지를 생성하고, 다양한 고급 GAN을 평가하세요.

당신에 대해

• 이 전문 분야는 기계 학습에 관심이 있고 GAN의 작동 방식을 이해하려는 모든 분야의 소프트웨어 엔지니어, 학생 및 연구원을 위한 것입니다.

• 이 전문 분야는 고급 수학 및 기계 학습 연구에 대한 사전 지식이 없더라도 GAN 공간에 뛰어들거나 자신의 프로젝트에 GAN을 적용하려는 모든 수준의 학습자에게 접근 가능한 경로를 제공합니다.

프로그래밍 과제

과정 1: 기본 생성적 적대 신경망(GAN) 구축

• 이것은 GAN(Generative Adversarial Networks) 전문 분야의 첫 번째 과정입니다.

1주차: GAN 소개

• GAN과 그 애플리케이션에 대해 배우고, GAN의 기본 구성 요소 뒤에 있는 직관을 이해하고, PyTorch를 사용하여 자신만의 GAN을 구축하세요.
• 과제:
  • 첫 번째 GAN

2주차: 심층 컨볼루셔널 GAN

• 컨볼루셔널 레이어를 사용하여 더욱 정교한 GAN을 구축하세요. GAN 아키텍처를 조정하고 이를 적용하여 이미지 처리를 위한 고급 DCGAN을 구축하는 데 유용한 활성화 기능, 일괄 정규화 및 전치된 컨볼루션에 대해 알아보세요.
• 과제:
  • 심층 컨벌루션 GAN(DCGAN)

3주차: 표준화된 Wasserstein GAN

• W-손실과 Lipschitz 연속성에 대한 이해를 통해 불안정한 훈련 및 모드 붕괴를 완화하는 WGAN과 같은 고급 기술을 학습하여 생성기와 판별기 간의 불균형으로 인한 GAN 실패 사례를 줄입니다.
• 과제:
  • 그라데이션 페널티를 적용한 Wasserstein GAN(WGAN-GP)

4주차: 조건부 및 제어 가능한 GAN

• GAN을 효과적으로 제어하고, 생성된 이미지의 기능을 수정하고, 결정된 카테고리에서 예제를 생성할 수 있는 조건부 GAN을 구축하는 방법을 이해하세요.
• 과제:
  • 조건부 GAN 구축
  • 제어 가능한 세대

---

과정 2: 더 나은 생성적 적대 신경망(GAN) 구축

• 이것은 GAN(Generative Adversarial Networks) 전문 분야의 두 번째 과정입니다.

1주차: GAN 평가

• GAN 평가의 어려움을 이해하고, 다양한 GAN 성능 측정의 장점과 단점에 대해 알아보고, 임베딩을 사용하여 FID(Fréchet Inception Distance) 방법을 구현하여 GAN의 정확성을 평가합니다.
• 과제:
  • GAN 평가 / Fréchet Inception Distance

2주차: GAN의 단점과 편향

• 다른 생성 모델과 비교할 때 GAN의 단점을 알아보고 이러한 모델의 장단점을 찾아보세요. 또한 기계 학습의 편향이 발생할 수 있는 여러 위치, 그것이 중요한 이유 및 GAN에서 이를 식별하는 접근 방식에 대해 알아보세요. .
• 놀리다:
  • 편향 분석
• 과제:
  • 편견
• 랩:
  • VAE(변형 자동 인코더)

3주차: StyleGAN 및 발전

• StyleGAN이 이전 모델을 어떻게 개선하는지 이해하고 현재 강력한 기능을 갖춘 최첨단 GAN인 StyleGAN과 관련된 구성 요소 및 기술을 구현합니다.
• 과제:
  • StyleGAN의 구성 요소
• 노트북 옵션:
  • BigGAN의 구성 요소
  • 스타일GAN2

---

과정 3: 생성적 적대 신경망(GAN) 적용

• 이것은 GAN(Generative Adversarial Networks) 전문 분야의 세 번째 과정입니다.

1주차: 데이터 증강 및 개인 정보 보호를 위한 GAN

• GAN의 애플리케이션을 탐색하고 데이터 증강, 개인정보 보호 및 익명성을 고려하여 이를 검토하세요.
• GAN 생성 데이터로 다운스트림 AI 모델을 개선하세요.
• 과제:
  • 데이터 증대

2주차: 이미지-이미지 변환

• 이미지-이미지 변환 프레임워크를 활용하고 이미지 이상의 양식에 대한 이 프레임워크의 확장, 일반화 및 적용을 식별합니다.
• 고급 U-Net 생성기 및 PatchGAN 판별기 아키텍처를 사용하여 위성 이미지를 조정하여 경로를 매핑하도록(또는 그 반대로) 쌍을 이루는 이미지 대 이미지 변환 GAN인 Pix2Pix를 구현합니다.
• 과제:
  • 유넷
  • 픽스투픽스

3주차: 이미지 간 짝이 없는 번역

• 쌍을 이루는 이미지-이미지 변환과 쌍을 이루지 않는 이미지-이미지 변환을 비교하고 주요 차이점이 어떻게 다른 GAN 아키텍처를 필요로 하는지 식별합니다.
• 두 개의 GAN을 하나로 통합하여 말을 얼룩말에(또는 그 반대로) 적용하기 위해 짝이 없는 이미지-이미지 변환 모델인 CycleGAN을 구현합니다.
• 과제:
  • 사이클GAN

부인 성명

저는 사람들이 직관력을 키우고, 새로운 개념을 이해하고, 과제를 디버깅하는 데 힘든 시간을 보낸다는 것을 알고 있습니다. 여기에 업로드된 솔루션은 참조용으로만 사용 됩니다. 당신이 어딘가에 막히면 ​​차단을 해제하기 위한 것입니다. 코드의 어떤 부분도 있는 그대로 복사하지 마십시오(지침을 주의 깊게 읽으면 프로그래밍 할당이 매우 쉽습니다). 마찬가지로, 퀴즈 솔루션을 참조하기 전에 퀴즈를 직접 시도해 보세요.