آموزش GAN ها و مدل های انتشار در یادگیری ماشین

GANs and Diffusion Models in Machine Learning

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
اگر به دنبال یک دوره آموزشی تصادفی در مدل سازی مولد هستید، این دوره برای شما ساخته شده است. شبکه‌های متخاصم مولد (GAN) و مدل‌های انتشار برخی از مهم‌ترین اجزای زیرساخت یادگیری ماشین هستند. به مربی Janani Ravi بپیوندید تا در مورد نحوه شروع ساخت GAN با شبکه های عصبی متراکم و همچنین شبکه های کانولوشن عمیق بیشتر بدانید. Javani به شما اصول آموزش یک GAN کانولوشنال عمیق را روی تصاویر چند کانالی نشان می دهد. در طول مسیر، او به شما نکاتی را در مورد چگونگی راه اندازی و اجرای GAN ها با استفاده از TensorFlow و مدل های انتشار با استفاده از PyTorch ارائه می دهد.

سرفصل ها و درس ها

مقدمه Introduction

  • مروری بر مدل های مولد Overview of generative models

  • کاربردهای مدل های مولد Applications of generative models

  • امتحان فصل Chapter Quiz

1. شروع به کار با شبکه های دشمن مولد 1. Getting Started with Generative Adversarial Networks

  • معرفی GAN ها و مدل های انتشار Introducing GANs and diffusion models

  • مولد و ممیز Generator and discriminator

  • نمای کلی معماری یک GAN Architectural overview of a GAN

  • آموزش مولد و ممیز Training the generator and discriminator

  • مشکلات رایج GAN ها Common problems with GANs

  • امتحان فصل Chapter Quiz

2. ساخت GAN با استفاده از یک شبکه عصبی متراکم 2. Building a GAN Using a Dense Neural Network

  • راه اندازی با Google Colab Getting set up with Google Colab

  • در حال بارگیری مجموعه داده های مد MNIST Loading the fashion MNIST data set

  • شبکه ژنراتور The generator network

  • شبکه تبعیض The discriminator network

  • توابع از دست دادن دشمن Adversary loss functions

  • آموزش شبکه متخاصم مولد Training the generative adversarial network

  • تولید تصاویر با استفاده از GAN Generating images using the GAN

  • امتحان فصل Chapter Quiz

3. ساخت یک GAN با استفاده از یک شبکه کانولوشن عمیق 3. Building a GAN Using a Deep Convolutional Network

  • مروری بر CNN ها Overview of CNNs

  • لایه کانولوشن منتقل شده Transposed convolutional layer

  • GAN های کانولوشنال عمیق Deep Convolutional GANs

  • تصاویر مقیاس خاکستری: مولد و متمایز کننده در یک GAN کانولوشن عمیق Greyscale images: Generator and discriminator in a Deep Convolutional GAN

  • تصاویر مقیاس خاکستری: آموزش یک GAN کانولوشن عمیق Greyscale images: Training a Deep Convolutional GAN

  • امتحان فصل Chapter Quiz

4. آموزش Deep Convolutional GAN ​​روی تصاویر چند کاناله 4. Training a Deep Convolutional GAN on Multichannel Images

  • تصاویر رنگی: بارگیری داده های تصویر چند کاناله Color images: Loading multichannel image data

  • تصاویر رنگی: مولد و متمایز کننده در یک GAN کانولوشنال عمیق Color images: Generator and discriminator in a Deep Convolutional GAN

  • تصاویر رنگی: آموزش Deep Convolutional GAN Color images: Training a Deep Convolutional GAN

5. شروع به کار با مدل های انتشار 5. Getting Started with Diffusion Models

  • سه راه یادگیری مولد Generative learning trilemma

  • معرفی مدل های احتمالی انتشار نویز زدایی Introducing denoising diffusion probabilistic models

  • مدل های احتمالی انتشار نویز زدایی چگونه کار می کنند؟ How do denoising diffusion probabilistic models work?

  • فرآیند انتشار به جلو Forward diffusion process

  • فرآیند انتشار معکوس Reverse diffusion process

  • آموزش مدل انتشار: شهود Training a diffusion model: Intuition

  • امتحان فصل Chapter Quiz

6. اجرای یک مدل انتشار 6. Running a Diffusion Model

  • حذف نویز از مدل های احتمالی انتشار: کاوش پیاده سازی در GitHub Denoising diffusion probabilistic models: Exploring implementation on GitHub

  • مدل‌های احتمالی انتشار نویز زدایی: مروری بر کد Denoising diffusion probabilistic models: Code overview

  • حذف نویز از مدل های احتمالی انتشار: ترفندهای کد Denoising diffusion probabilistic models: Code tweaks

  • مدل‌های احتمالی انتشار نویز: تولید تصاویر Denoising diffusion probabilistic models: Generating images

نتیجه Conclusion

  • خلاصه و مراحل بعدی Summary and next steps

نمایش نظرات

آموزش GAN ها و مدل های انتشار در یادگیری ماشین
جزییات دوره
2h 22m
38
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
-
- از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.