Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes
1. fejezet: Mély tanulás perceptronKözépfejezet célja: Ebben a fejezetben bemutatjuk a mély tanulás alapjait a perceptrontól a többrétegű perceptronig. Oldalak száma: Témakörök1. A mélytanulás és a felügyelt tanulás megértése. 1. A perceptron használata felügyelt tanuláshoz. 2. Egy többrétegű perceptron felépítése. 3. Az aktiválás, a veszteség, az optimalizálás és a visszaterjedés alapjainak megismerése regressziós és osztályozási problémákhoz.
2. fejezet: Az autokódolók és a generatív adverzális hálózatok felszabadításaKözpont Cél: Ez a fejezet bemutatja az autokódolót és a GAN-t egyszerű tartalomgeneráláshoz. Útközben megismerkedünk a konvolúciós hálózati rétegek használatával is a jobb jellemző-kivonás érdekében. Oldalak száma: Témakörök 1. Miért van szükségünk autoencoderekre és hogyan működnek. 2. Az autoencoder továbbfejlesztése konvolúciós hálózati rétegekkel. 3. Tartalomgenerálás a GAN-nal. 4. A vanília GAN továbbfejlesztésének módszereinek feltárása.
3. fejezet: A látens tér felfedezéseA fejezet célja: Ebben a fejezetben a mesterséges intelligencia látens terét fedezzük fel. Mit jelent a mesterséges intelligencia látens terében való mozgás a variációs autokódolók és a feltételes GAN-ok segítségével. Oldalak száma: Témakörök: 30 rész - Témakörök: 1. A variáció és a variációs autoencoder megértése. 2. A látens tér feltárása VAE-vel. 3. A GAN kiterjesztése feltételes módra. 4. Érdekes ételek előállítása feltételes GAN segítségével.
4. fejezet: GAN-ok, GAN-ok és még több GAN-okKapacitás célja: Ebben a fejezetben elkezdjük feltárni a GAN-ok és alkalmazásuk hatalmas variációit. Az alapokkal kezdünk, mint a dupla konvolúciós GAN, és eljutunk a Stack és a Progressive GAN-okig. Oldalak száma: Témák: 30 rész - Témakörök: 1. Nézzünk meg mintákat a GAN-ok számos változatából. 2. Egy DCGAN beállítása és használata. 3. Értse meg, hogyan működik egy StackGAN. 4. A ProGAN-nal való munka és annak használata.
5. fejezet: Kép-kép fordítás GAN-okkal.
Tartalmazza a következőket: Pix2Pix és DualGAN, mellékprojektek a ResNET és UNET megértéséhez, fejlett hálózati architektúrák képosztályozáshoz/generáláshoz.
6. fejezet: Képek fordítása ciklikus konzisztenciával.
Foglalkozik a következőkkel: CycleGAN, BiCycleGAN és StarGAN.
7. fejezet: Stílusalkotás GAN-okkal.
Borítók: A StyleGAN, a Figyelem és a Self-attention GAN a DeOldify áttekintésével.
8. fejezet: DeepFakes fejlesztéseKözéppont: A DeepFakes viharszerűen hódít a világban, és ebben a fejezetben azt vizsgáljuk meg, hogyan használhatunk egy DeepFakes projektet. Oldalak száma: 301. Ismerje meg, hogyan különíthet el arcokat vagy más érdekes pontokat képeken vagy videókon. 2. Arcok kivonása és helyettesítése képekből vagy videókból. 3. A DeepFakes GAN használata arcképek generálására bemeneti kép alapján. 4. Rakja össze az egészet, és tegye lehetővé a felhasználó számára, hogy saját DeepFake videót generáljon.
9. fejezet: Adversarial Latent Autoencoders feltárásaKapacitás célja: A GAN-ok nem az egyetlen olyan technika, amely lehetővé teszi a tartalom manipulálását és generálását. Ebben a fejezetben a tartalomgenerálás ALAE módszerét vizsgáljuk meg. Oldalak száma: 1. Nézzük meg, hogyan lehet az autoencodereket kiterjeszteni az adverzális tanuláshoz. 2. Annak megértése, hogy az AE hogyan használható az adatok látens terének feltárására. 3. Az ALAE használata feltételes tartalmak létrehozására.
