coursera gan specialization

Especialização em Redes Adversariais Generativas no Coursera (oferecida por deeplearning.ai)

Tarefas de programação de todos os cursos da especialização Coursera GAN oferecida por deeplearning.ai .

Cursos

A especialização GAN no Coursera contém três cursos:

1. Curso 1: Construa Redes Adversariais Gerativas Básicas

2. Curso 2: Construa Redes Adversariais Gerativas Melhores

3. Curso 3: Aplicar Redes Adversariais Gerativas (GANs)

Sobre GANs

• Redes Adversariais Generativas (GANs) são modelos poderosos de aprendizado de máquina capazes de gerar imagens, vídeos e saídas de voz realistas.

• Enraizados na teoria dos jogos, os GANs têm aplicações amplamente difundidas: desde melhorar a segurança cibernética, lutando contra ataques adversários e anonimizando dados para preservar a privacidade, até gerar imagens de última geração, colorir imagens em preto e branco, aumentar a resolução da imagem, criar avatares, transformar imagens 2D em 3D e muito mais.

• À medida que o poder da computação aumentou, também aumentou a popularidade dos GANs e de seus recursos. As GANs abriram muitas novas direções: desde a geração de grandes quantidades de conjuntos de dados para treinar modelos de aprendizado de máquina e permitir modelos poderosos de aprendizado não supervisionado até a produção de resultados mais nítidos, discretos e precisos. As GANs também informaram pesquisas em áreas adjacentes, como aprendizagem adversária, exemplos e ataques adversários, robustez de modelos, etc.

Sobre esta Especialização

• A especialização Deeplearning.ai Generative Adversarial Networks (GANs) fornece uma introdução interessante à geração de imagens com GANs, traçando um caminho desde conceitos básicos até técnicas avançadas por meio de uma abordagem fácil de entender. Também abrange implicações sociais, incluindo preconceitos no BC e as formas de o detetar, preservação da privacidade e muito mais.

• Crie uma base de conhecimento abrangente e ganhe experiência prática em GANs. Treine seu próprio modelo usando PyTorch, use-o para criar imagens e avalie uma variedade de GANs avançados.

Sobre você

• Esta especialização é para engenheiros de software, estudantes e pesquisadores de qualquer área, que tenham interesse em aprendizado de máquina e queiram entender como funcionam os GANs.

• Esta especialização oferece um caminho acessível para todos os níveis de alunos que desejam entrar no espaço dos GANs ou aplicar GANs em seus próprios projetos, mesmo sem familiaridade prévia com pesquisas avançadas em matemática e aprendizado de máquina.

Atribuições de programação

Curso 1: Construa Redes Adversariais Gerativas Básicas (GANs)

• Este é o primeiro curso da Especialização em Redes Adversariais Generativas (GANs).

Semana 1: introdução aos GANs

• Aprenda sobre GANs e suas aplicações, entenda a intuição por trás dos componentes básicos dos GANs e construa seu próprio GAN usando PyTorch.
• Atribuição:
  • Seu primeiro GAN

Semana 2: GAN Convolucional Profundo

• Construa uma GAN mais sofisticada usando camadas convolucionais. Aprenda sobre funções úteis de ativação, normalização de lote e convoluções transpostas para ajustar sua arquitetura GAN e aplicá-las para construir um DCGAN avançado especificamente para processamento de imagens.
• Atribuição:
  • GAN Convolucional Profundo (DCGAN)

Semana 3: Wasserstein GANs com normalização

• Reduza os casos de falha de GANs devido a desequilíbrios entre o gerador e o discriminador, aprendendo técnicas avançadas, como WGANs, para mitigar o treinamento instável e o colapso do modo com uma perda de W e uma compreensão da continuidade de Lipschitz.
• Atribuição:
  • Wasserstein GAN com penalidade de gradiente (WGAN-GP)

Semana 4: GANs condicionais e controláveis

• Entenda como controlar efetivamente sua GAN, modificar os recursos de uma imagem gerada e construir GANs condicionais capazes de gerar exemplos a partir de determinadas categorias.
• Atribuições:
  • Construa um GAN condicional
  • Geração Controlável

---

Curso 2: Construa Redes Adversariais Gerativas Melhores (GANs)

• Este é o segundo curso da Especialização em Redes Adversariais Generativas (GANs).

Semana 1: Avaliação GAN

• Entenda os desafios de avaliar GANs, aprenda sobre as vantagens e desvantagens de diferentes medidas de desempenho de GAN e implemente o método Fréchet Inception Distance (FID) usando embeddings para avaliar a precisão dos GANs.
• Atribuição:
  • Avaliando distância inicial de GANs / Fréchet

Semana 2: Desvantagens e preconceitos do GAN

• Descubra as desvantagens dos GANs quando comparados a outros modelos generativos, descubra os prós/contras desses modelos - além disso, aprenda sobre os muitos lugares de onde pode vir o preconceito no aprendizado de máquina, por que ele é importante e uma abordagem para identificá-lo em GANs .
• Questionário:
  • Analisando preconceito
• Atribuição:
  • Viés
• Laboratório:
  • Autoencodificador Variacional (VAE)

Semana 3: StyleGAN e avanços

• Entenda como o StyleGAN melhora os modelos anteriores e implemente os componentes e as técnicas associadas ao StyleGAN, atualmente o GAN mais avançado com recursos poderosos
• Atribuição:
  • Componentes do StyleGAN
• Cadernos Opcionais:
  • Componentes do BigGAN
  • EstiloGAN2

---

Curso 3: Aplicar Redes Adversariais Gerativas (GANs)

• Este é o terceiro curso da Especialização em Redes Adversariais Generativas (GANs).

Semana 1: GANs para aumento de dados e preservação de privacidade

• Explore as aplicações de GANs e examine-as em relação ao aumento de dados, privacidade e anonimato.
• Melhore seus modelos de IA downstream com dados gerados por GAN.
• Atribuição:
  • Aumento de dados

Semana 2: Tradução imagem para imagem

• Aproveite a estrutura de tradução imagem para imagem e identifique extensões, generalizações e aplicações dessa estrutura para modalidades além das imagens.
• Implemente Pix2Pix, um GAN de tradução imagem a imagem emparelhado, para adaptar imagens de satélite para mapear rotas (e vice-versa) com gerador U-Net avançado e arquiteturas discriminadoras PatchGAN.
• Atribuições:
  • Rede U
  • Pix2Pix

Semana 3: Tradução não pareada imagem para imagem

• Compare a tradução pareada de imagem para imagem com a tradução não pareada de imagem para imagem e identifique como sua principal diferença exige diferentes arquiteturas GAN.
• Implemente o CycleGAN, um modelo de tradução imagem para imagem não pareado, para adaptar cavalos a zebras (e vice-versa) com dois GANs em um.
• Atribuição:
  • CicloGAN

Isenção de responsabilidade

Reconheço a dificuldade que as pessoas gastam na construção da intuição, na compreensão de novos conceitos e na depuração de tarefas. As soluções carregadas aqui são apenas para referência . Eles foram feitos para desbloquear você se você ficar preso em algum lugar. Por favor, não copie nenhuma parte do código como está (as tarefas de programação são bastante fáceis se você ler as instruções com atenção). Da mesma forma, experimente você mesmo os questionários antes de consultar as soluções dos questionários.