coursera gan specialization

ความเชี่ยวชาญด้านเครือข่ายฝ่ายตรงข้ามทั่วไปใน Coursera (นำเสนอโดย deeplearning.ai)

การมอบหมายการเขียนโปรแกรมจากทุกหลักสูตรใน Coursera GAN Specialization นำเสนอโดย deeplearning.ai

หลักสูตร

GAN Specialization บน Coursera ประกอบด้วยสามหลักสูตร:

1. หลักสูตร 1: สร้างเครือข่ายปฏิปักษ์ทั่วไปขั้นพื้นฐาน

2. หลักสูตร 2: สร้างเครือข่ายฝ่ายตรงข้ามที่สร้างได้ดีขึ้น

3. หลักสูตร 3: ใช้ Generative Adversarial Networks (GAN)

เกี่ยวกับ GAN

• Generative Adversarial Networks (GAN) เป็นโมเดลการเรียนรู้ของเครื่องที่ทรงพลังซึ่งสามารถสร้างเอาต์พุตภาพ วิดีโอ และเสียงที่สมจริงได้

• ด้วยรากฐานของทฤษฎีเกม GAN มีแอปพลิเคชันที่แพร่หลาย: ตั้งแต่การปรับปรุงความปลอดภัยทางไซเบอร์โดยการต่อสู้กับการโจมตีของฝ่ายตรงข้ามและการลบข้อมูลระบุตัวตนเพื่อรักษาความเป็นส่วนตัวไปจนถึงการสร้างภาพที่ล้ำสมัย การปรับสีภาพขาวดำ เพิ่มความละเอียดของภาพ การสร้างภาพแทนตัว การเปลี่ยนภาพ 2D ให้เป็น 3D และอื่นๆ

• เมื่อพลังการประมวลผลเพิ่มขึ้น GAN และความสามารถของ GAN ก็ได้รับความนิยมเช่นกัน GAN ได้เปิดทิศทางใหม่ๆ มากมาย ตั้งแต่การสร้างชุดข้อมูลจำนวนมากสำหรับการฝึกโมเดลการเรียนรู้ของเครื่อง และการอนุญาตให้มีโมเดลการเรียนรู้แบบไม่มีผู้ดูแลที่มีประสิทธิภาพ ไปจนถึงการสร้างผลลัพธ์ที่คมชัด ไม่ต่อเนื่อง และแม่นยำยิ่งขึ้น GAN ยังให้ข้อมูลการวิจัยในพื้นที่ใกล้เคียง เช่น การเรียนรู้ของฝ่ายตรงข้าม ตัวอย่างและการโจมตีของฝ่ายตรงข้าม ความแข็งแกร่งของแบบจำลอง ฯลฯ

เกี่ยวกับความเชี่ยวชาญนี้

• ความเชี่ยวชาญพิเศษด้านเครือข่ายฝ่ายตรงข้าม (GAN) ของ deeplearning.ai นำเสนอการแนะนำที่น่าตื่นเต้นเกี่ยวกับการสร้างภาพด้วย GAN โดยกำหนดเส้นทางจากแนวคิดพื้นฐานไปจนถึงเทคนิคขั้นสูงผ่านแนวทางที่เข้าใจง่าย นอกจากนี้ยังครอบคลุมถึงผลกระทบทางสังคม รวมถึงอคติใน ML และวิธีการตรวจจับ การรักษาความเป็นส่วนตัว และอื่นๆ

• สร้างฐานความรู้ที่ครอบคลุมและรับประสบการณ์ตรงใน GAN ฝึกฝนโมเดลของคุณเองโดยใช้ PyTorch ใช้เพื่อสร้างภาพ และประเมิน GAN ขั้นสูงต่างๆ

เกี่ยวกับคุณ

• ความเชี่ยวชาญพิเศษนี้มีไว้สำหรับวิศวกรซอฟต์แวร์ นักศึกษา และนักวิจัยจากทุกสาขาที่สนใจการเรียนรู้ของเครื่องและต้องการทำความเข้าใจวิธีการทำงานของ GAN

• ความเชี่ยวชาญพิเศษนี้เป็นเส้นทางที่เข้าถึงได้สำหรับผู้เรียนทุกระดับที่ต้องการบุกเข้าไปในพื้นที่ GAN หรือใช้ GAN กับโครงการของตนเอง แม้ว่าจะไม่คุ้นเคยกับการวิจัยทางคณิตศาสตร์และการเรียนรู้ของเครื่องขั้นสูงมาก่อนก็ตาม

การมอบหมายการเขียนโปรแกรม

หลักสูตร 1: สร้างเครือข่ายปฏิปักษ์พื้นฐาน (GAN)

• หลักสูตรนี้เป็นหลักสูตรแรกของความเชี่ยวชาญเฉพาะด้าน Generative Adversarial Networks (GANs)

สัปดาห์ที่ 1: ข้อมูลเบื้องต้นเกี่ยวกับ GAN

• เรียนรู้เกี่ยวกับ GAN และแอปพลิเคชัน เข้าใจสัญชาตญาณเบื้องหลังองค์ประกอบพื้นฐานของ GAN และสร้าง GAN ของคุณเองโดยใช้ PyTorch
• งานที่มอบหมาย:
  • GAN แรกของคุณ

สัปดาห์ที่ 2: GAN แบบ Convolutional แบบลึก

• สร้าง GAN ที่ซับซ้อนยิ่งขึ้นโดยใช้เลเยอร์แบบหมุนวน เรียนรู้เกี่ยวกับฟังก์ชันการเปิดใช้งานที่เป็นประโยชน์ การทำให้เป็นมาตรฐานแบบแบทช์ และการสลับแบบสลับสับเปลี่ยนเพื่อปรับแต่งสถาปัตยกรรม GAN ของคุณ และนำไปใช้เพื่อสร้าง DCGAN ขั้นสูงสำหรับการประมวลผลภาพโดยเฉพาะ
• งานที่มอบหมาย:
  • GAN แบบ Deep Convolutional (DCGAN)

สัปดาห์ที่ 3: Wasserstein GANs พร้อมการทำให้เป็นมาตรฐาน

• ลดอินสแตนซ์ของความล้มเหลวของ GAN เนื่องจากความไม่สมดุลระหว่างตัวสร้างและตัวแบ่งแยกโดยการเรียนรู้เทคนิคขั้นสูง เช่น WGAN เพื่อลดการฝึกที่ไม่เสถียรและการล่มสลายของโหมดด้วย W-Loss และความเข้าใจใน Lipschitz Continuity
• งานที่มอบหมาย:
  • Wasserstein GAN พร้อมโทษไล่ระดับ (WGAN-GP)

สัปดาห์ที่ 4: GAN แบบมีเงื่อนไขและควบคุมได้

• ทำความเข้าใจวิธีควบคุม GAN ของคุณอย่างมีประสิทธิภาพ แก้ไขฟีเจอร์ในรูปภาพที่สร้างขึ้น และสร้าง GAN แบบมีเงื่อนไขที่สามารถสร้างตัวอย่างจากหมวดหมู่ที่กำหนดได้
• การบ้าน:
  • สร้าง GAN แบบมีเงื่อนไข
  • รุ่นที่ควบคุมได้

---

หลักสูตร 2: สร้างเครือข่ายฝ่ายตรงข้ามที่สร้างให้ดีขึ้น (GAN)

• หลักสูตรนี้เป็นหลักสูตรที่สองของความเชี่ยวชาญเฉพาะด้าน Generative Adversarial Networks (GANs)

สัปดาห์ที่ 1: การประเมิน GAN

• ทำความเข้าใจความท้าทายในการประเมิน GAN เรียนรู้เกี่ยวกับข้อดีและข้อเสียของการวัดประสิทธิภาพของ GAN ต่างๆ และนำวิธี Fréchet Inception Distance (FID) ไปใช้โดยใช้การฝังเพื่อประเมินความแม่นยำของ GAN
• งานที่มอบหมาย:
  • การประเมิน GANs / Fréchet Inception Distance

สัปดาห์ที่ 2: ข้อเสียและอคติของ GAN

• ค้นหาข้อเสียของ GAN เมื่อเปรียบเทียบกับโมเดลเจนเนอเรชั่นอื่นๆ ค้นพบข้อดี/ข้อเสียของโมเดลเหล่านี้ รวมถึงเรียนรู้เกี่ยวกับหลายๆ จุดที่อคติในการเรียนรู้ของเครื่องอาจมาจาก เหตุใดจึงสำคัญ และแนวทางในการระบุอคติใน GAN .
• แบบทดสอบ:
  • การวิเคราะห์อคติ
• งานที่มอบหมาย:
  • อคติ
• ห้องปฏิบัติการ:
  • ตัวเข้ารหัสอัตโนมัติแบบแปรผัน (VAE)

สัปดาห์ที่ 3: StyleGAN และความก้าวหน้า

• ทำความเข้าใจว่า StyleGAN ปรับปรุงจากรุ่นก่อนหน้าอย่างไร และใช้ส่วนประกอบและเทคนิคที่เกี่ยวข้องกับ StyleGAN ซึ่งเป็น GAN ที่ล้ำสมัยที่สุดพร้อมความสามารถอันทรงพลังในปัจจุบัน
• งานที่มอบหมาย:
  • ส่วนประกอบของ StyleGAN
• สมุดบันทึกเสริม:
  • ส่วนประกอบของ BigGAN
  • สไตล์GAN2

---

หลักสูตร 3: ใช้ Generative Adversarial Networks (GAN)

• หลักสูตรนี้เป็นหลักสูตรที่สามในความเชี่ยวชาญเฉพาะด้าน Generative Adversarial Networks (GANs)

สัปดาห์ที่ 1: GAN สำหรับการเพิ่มข้อมูลและการรักษาความเป็นส่วนตัว

• สำรวจแอปพลิเคชันของ GAN และตรวจสอบการเพิ่มข้อมูล ความเป็นส่วนตัว และการไม่เปิดเผยตัวตน
• ปรับปรุงโมเดล AI ดาวน์สตรีมของคุณด้วยข้อมูลที่สร้างโดย GAN
• งานที่มอบหมาย:
  • การเพิ่มข้อมูล

สัปดาห์ที่ 2: การแปลภาพเป็นภาพ

• ใช้ประโยชน์จากเฟรมเวิร์กการแปลจากรูปภาพเป็นรูปภาพ และระบุส่วนขยาย ลักษณะทั่วไป และการประยุกต์ใช้เฟรมเวิร์กนี้กับรูปแบบอื่นๆ นอกเหนือจากรูปภาพ
• ใช้ Pix2Pix ซึ่งเป็น GAN การแปลภาพเป็นภาพที่จับคู่กัน เพื่อปรับภาพดาวเทียมให้เข้ากับเส้นทางแผนที่ (และในทางกลับกัน) ด้วยตัวสร้าง U-Net ขั้นสูงและสถาปัตยกรรมการแบ่งแยก PatchGAN
• การบ้าน:
  • ยู-เน็ต
  • Pix2Pix

สัปดาห์ที่ 3: การแปลแบบไม่มีคู่จากภาพเป็นภาพ

• เปรียบเทียบการแปลรูปภาพเป็นรูปภาพที่จับคู่กับการแปลรูปภาพเป็นรูปภาพที่ไม่ได้จับคู่ และระบุว่าความแตกต่างที่สำคัญเหล่านี้จำเป็นต้องใช้สถาปัตยกรรม GAN ที่แตกต่างกันอย่างไร
• ใช้ CycleGAN ซึ่งเป็นโมเดลการแปลรูปภาพเป็นรูปภาพแบบ unpaired เพื่อปรับม้าให้เป็นม้าลาย (และในทางกลับกัน) ด้วย GAN สองตัวในที่เดียว
• งานที่มอบหมาย:
  • CycleGAN

ข้อสงวนสิทธิ์

ฉันรับรู้ถึงช่วงเวลาที่ยากลำบากที่ผู้คนใช้ในการสร้างสัญชาตญาณ ทำความเข้าใจแนวคิดใหม่ และแก้ไขข้อบกพร่องที่ได้รับมอบหมาย โซลูชันที่อัปโหลดที่นี่มีไว้ เพื่อการอ้างอิงเท่านั้น มีไว้เพื่อปลดบล็อกคุณหากคุณติดอยู่ที่ไหนสักแห่ง โปรดอย่าคัดลอกส่วนใดๆ ของโค้ดตามที่เป็นอยู่ (การกำหนดการเขียนโปรแกรมจะค่อนข้างง่ายหากคุณอ่านคำแนะนำอย่างละเอียด) ในทำนองเดียวกัน ลองทำแบบทดสอบด้วยตัวเองก่อนที่จะอ้างอิงถึงวิธีแก้ปัญหาของแบบทดสอบ