coursera gan specialization

Специализация по генеративно-состязательным сетям на Coursera (предлагается deeplearning.ai)

Задания по программированию из всех курсов специализации Coursera GAN, предлагаемых deeplearning.ai .

Курсы

Специализация GAN на Coursera включает три курса:

1. Курс 1: Создание базовых генеративно-состязательных сетей

2. Курс 2: Создание лучших генеративно-состязательных сетей

3. Курс 3: Применение генеративно-состязательных сетей (GAN)

О ГАНах

• Генеративно-состязательные сети (GAN) — это мощные модели машинного обучения, способные генерировать реалистичные изображения, видео и голосовые данные.

• Основанные на теории игр, GAN имеют широкое применение: от повышения кибербезопасности путем борьбы с состязательными атаками и анонимизации данных для сохранения конфиденциальности до создания современных изображений, раскрашивания черно-белых изображений, увеличения разрешения изображений, создания аватаров и т. д. преобразование 2D-изображений в 3D и многое другое.

• По мере роста вычислительной мощности росла и популярность GAN и ее возможностей. GAN открыли множество новых направлений: от создания больших объемов наборов данных для обучения моделей машинного обучения и создания мощных моделей неконтролируемого обучения до получения более точных, дискретных и точных результатов. GAN также послужили основой для исследований в смежных областях, таких как состязательное обучение, состязательные примеры и атаки, надежность моделей и т. д.

Об этой специализации

• Специализация deeplearning.ai «Генераторно-состязательные сети (GAN)» представляет собой захватывающее введение в генерацию изображений с помощью GAN, прокладывая путь от основополагающих концепций к передовым методам с помощью простого для понимания подхода. В нем также рассматриваются социальные последствия, в том числе предвзятость в сфере ОД и способы ее обнаружения, сохранение конфиденциальности и многое другое.

• Создайте обширную базу знаний и получите практический опыт работы с GAN. Обучите свою собственную модель с помощью PyTorch, используйте ее для создания изображений и оцените различные продвинутые GAN.

О вас

• Эта специализация предназначена для инженеров-программистов, студентов и исследователей из любой области, которые интересуются машинным обучением и хотят понять, как работают GAN.

• Эта специализация предоставляет доступный путь для учащихся всех уровней, желающих проникнуть в пространство GAN или применить GAN в своих собственных проектах, даже без предварительного знакомства с передовыми исследованиями в области математики и машинного обучения.

Задания по программированию

Курс 1: Создание базовых генеративно-состязательных сетей (GAN)

• Это первый курс специализации «Генераторно-состязательные сети» (GAN).

Неделя 1: Знакомство с GAN

• Узнайте о GAN и их приложениях, поймите интуитивное понимание основных компонентов GAN и создайте свою собственную GAN с помощью PyTorch.
• Назначение:
  • Ваш первый ГАН

Неделя 2: Глубокий сверточный GAN

• Создайте более сложную GAN, используя сверточные слои. Узнайте о полезных функциях активации, пакетной нормализации и транспонированных свертках для настройки вашей архитектуры GAN и примените их для создания расширенной DCGAN специально для обработки изображений.
• Назначение:
  • Глубокий сверточный GAN (DCGAN)

Неделя 3: GAN Вассерштейна с нормализацией

• Уменьшите количество случаев сбоя GAN из-за дисбаланса между генератором и дискриминатором, изучая передовые методы, такие как WGAN, для смягчения нестабильного обучения и коллапса режима с помощью W-Loss и понимания липшицевой непрерывности.
• Назначение:
  • Вассерштейн GAN с градиентным штрафом (WGAN-GP)

Неделя 4: Условные и управляемые GAN

• Узнайте, как эффективно управлять своей GAN, изменять функции сгенерированного изображения и создавать условные GAN, способные генерировать примеры из определенных категорий.
• Задания:
  • Создайте условный GAN
  • Контролируемая генерация

---

Курс 2: Создание лучших генеративно-состязательных сетей (GAN)

• Это второй курс специализации «Генераторно-состязательные сети» (GAN).

Неделя 1: Оценка GAN

• Поймите проблемы оценки GAN, узнайте о преимуществах и недостатках различных показателей производительности GAN и внедрите метод начального расстояния Фреше (FID), используя встраивания для оценки точности GAN.
• Назначение:
  • Оценка GAN/начального расстояния по Фреше

Неделя 2: Недостатки и предвзятость GAN

• Узнайте о недостатках GAN по сравнению с другими генеративными моделями, узнайте о плюсах и минусах этих моделей, а также узнайте о многих местах, откуда может возникнуть предвзятость в машинном обучении, почему это важно и о подходе к ее выявлению в GAN. .
• Контрольный опрос:
  • Анализ предвзятости
• Назначение:
  • Предвзятость
• Лаборатория:
  • Вариационный автоэнкодер (VAE)

Неделя 3: StyleGAN и достижения

• Поймите, как StyleGAN улучшает предыдущие модели, и внедрите компоненты и методы, связанные со StyleGAN, самой современной на данный момент GAN с мощными возможностями.
• Назначение:
  • Компоненты StyleGAN
• Дополнительные ноутбуки:
  • Компоненты BigGAN
  • СтильGAN2

---

Курс 3: Применение генеративно-состязательных сетей (GAN)

• Это третий курс по специализации «Генераторно-состязательные сети» (GAN).

Неделя 1: GAN для увеличения данных и сохранения конфиденциальности

• Изучите приложения GAN и изучите их с точки зрения увеличения данных, конфиденциальности и анонимности.
• Улучшите свои последующие модели ИИ с помощью данных, сгенерированных GAN.
• Назначение:
  • Увеличение данных

Неделя 2: Перевод изображения в изображение

• Используйте систему перевода изображений в изображения и определите расширения, обобщения и приложения этой структуры к модальностям, выходящим за рамки изображений.
• Внедрите Pix2Pix, парную систему преобразования изображений в изображения GAN, чтобы адаптировать спутниковые изображения для картирования маршрутов (и наоборот) с помощью усовершенствованного генератора U-Net и архитектуры дискриминатора PatchGAN.
• Задания:
  • Ю-Нет
  • Пикс2Пикс

Неделя 3: Непарный перевод изображений в изображения

• Сравните парный перевод изображения в изображение с непарным переводом изображения в изображение и определите, почему их ключевое различие приводит к необходимости использования разных архитектур GAN.
• Внедрите CycleGAN, непарную модель перевода изображений в изображения, чтобы адаптировать лошадей к зебрам (и наоборот) с двумя GAN в одном.
• Назначение:
  • ЦиклГАН

Отказ от ответственности

Я понимаю, сколько времени люди тратят на развитие интуиции, понимание новых концепций и отладку заданий. Загруженные здесь решения предназначены только для справки . Они предназначены для того, чтобы разблокировать вас, если вы где-то застряли. Пожалуйста, не копируйте какую-либо часть кода как есть (программные задания довольно просты, если вы внимательно прочитаете инструкции). Аналогично, попробуйте пройти тесты самостоятельно, прежде чем обращаться к решениям тестов.