[PyTorch] Học GAN dễ dàng và nhanh chóng

Nó sử dụng mô hình học sâu.
Tìm hiểu về GAN! 🙆🏻‍♂

Tôi đã tổ chức các bài giảng tại Inflearn và xuất bản một cuốn sách có tựa đề 'Python Deep Learning PyTorch'.
Cảm ơn bạn đã quan tâm : )
(Các bài giảng của Inflearn đã được cập nhật tính đến ngày 06/10/2020. Chúng tôi sẽ tiếp tục cập nhật các bài giảng.)

Học GAN dễ dàng và nhanh chóng với Pytorch

Giới thiệu về khóa học

Hầu hết trí tuệ nhân tạo mà chúng ta nói đến hiện nay đều sử dụng mô hình học sâu. Các mô hình học máy hoặc học sâu thông thường kết thúc bằng phân loại và hồi quy. Tuy nhiên, không ngoa khi nói rằng sự xuất hiện của GAN đã mang lại một sự thay đổi lớn đến mức thúc đẩy sự phát triển của trí tuệ nhân tạo lên một bước tiến mới.

Việc tiến xa hơn việc phân loại và dự đoán dữ liệu để tạo ra dữ liệu là điều không thể tưởng tượng được vào thời điểm đó (4-5 năm trước). Sự xuất hiện của GAN, cùng với học tăng cường (nguyên lý cơ bản của AlphaGo), đã biến chúng thành một lĩnh vực không thể thiếu trong trí tuệ nhân tạo.

Hình ảnh bên dưới là hình ảnh giả thực sự không tồn tại trên thế giới này, được tạo ra bởi GAN hoạt động tốt nhất tính đến một năm trước. Ngày nay, nhiều mô hình tiên tiến hơn đã xuất hiện.
Bài giảng này sẽ giải thích khái niệm chính xác và các nguyên tắc học tập của GAN từng bước, đồng thời nói về những thiếu sót và định hướng tương lai của GAN.

🌈 Vani GAN

Chúng tôi trình bày khái niệm và nguyên tắc học tập của GAN.
Thay vì chỉ giải thích các khái niệm, chúng tôi giải thích các nguyên tắc học tập phù hợp và cung cấp bằng chứng toán học.
Chúng tôi sẽ giải thích về quá trình và phương pháp học tập, những hạn chế của GAN khi mới ra mắt và định hướng tương lai của GAN.

🌈 DCGAN/LSGAN/CGAN (GAN đang dần được cải thiện)

Kể từ khi Vanilla GAN ra đời, GAN đã phát triển với tốc độ cực kỳ nhanh chóng.
Đầu tiên, DCGAN, ghép các nguyên tắc của GAN vào CNN, xuất hiện, sau đó là LSGAN, chỉ sửa đổi một chút về mất mát, và nhiều GAN khác nhau đang được phát triển.
Hình ảnh bên dưới cho thấy sự so sánh hiệu suất giữa DCGAN và LSGAN.

🌈 CycleGAN (GAN, mô hình cơ bản để chuyển giao phong cách)

[Ngoài việc tạo dữ liệu] Bằng cách sử dụng các nguyên tắc tạo dữ liệu của GAN, nó đã bắt đầu phát triển sang nhiều lĩnh vực khác nhau. Trong số đó, một mô hình tiêu biểu là CycleGAN, một mô hình chuyển giao phong cách. Nó có thể biến một bức tranh thành một bức ảnh hoặc một bức ảnh thành một bức tranh, thay đổi ngày và đêm, và thay đổi các mùa.
CycleGAN là mô hình GAN hoán đổi hai miền của một hình ảnh. CycleGAN này đã trở thành mô hình cơ sở của GAN sử dụng phương pháp chuyển giao phong cách.

CycleGAN đang được ứng dụng và phát triển như thể hiện trong hình bên dưới. Ngoài mô hình này, nó còn phát triển thành nhiều mạng lưới khác nhau.

🌈 CAN (mô hình GAN tạo ra nghệ thuật)

Việc tạo dữ liệu không tạo ra bất cứ điều gì mới vì cuối cùng nó chỉ tạo ra trong dữ liệu đào tạo. Vì thế nó không phải là nghệ thuật. Bởi vì nếu bạn tạo ra nó trong dữ liệu học tập, cuối cùng nó sẽ chỉ là một sự 'bắt chước'.
Mô hình CAN thay đổi một chút nguyên lý học tập của GAN để tạo ra các tác phẩm nghệ thuật. Họ cho biết họ đã khảo sát con người và nhận được số điểm tương tự như điểm của các tác phẩm nghệ thuật thực tế.

🌈 Nhiều lĩnh vực ứng dụng/phát triển GAN

Bên cạnh đó, GAN đang phát triển trong nhiều lĩnh vực khác nhau.
Radial GAN ​​​​để tạo dữ liệu có cấu trúc cho máy học thay vì hình ảnh, DeliGAN, một mô hình về cách tạo ra hình ảnh đa dạng và chất lượng cao trong các tình huống có ít dữ liệu học tập, MGAN, kết hợp nhiều mô hình GAN, Chúng tôi sẽ giới thiệu ngắn gọn nhiều GAN khác nhau, chẳng hạn như SRGAN, có chức năng chuyển đổi hình ảnh chất lượng thấp thành hình ảnh chất lượng cao.

Liên kết tài liệu thực hành: https://github.com/LeeGyeongTak/torchgan

Đi đến các bài giảng liên quan

[PyTorch] Học Deep Learning một cách nhanh chóng và dễ dàng
Học nhanh các khái niệm và kiến ​​thức liên quan về học sâu.