19 KiB
ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು
ಹಿಂದಿನ ವಿಭಾಗದಲ್ಲಿ, ನಾವು ಜನರೇಟಿವ್ ಮಾದರಿಗಳು ಬಗ್ಗೆ ಕಲಿತಿದ್ದೇವೆ: ತರಬೇತಿ ಡೇಟಾಸೆಟ್ನಲ್ಲಿರುವ ಚಿತ್ರಗಳಿಗೆ ಸಮಾನವಾದ ಹೊಸ ಚಿತ್ರಗಳನ್ನು ರಚಿಸಬಲ್ಲ ಮಾದರಿಗಳು. VAE ಒಂದು ಉತ್ತಮ ಉದಾಹರಣೆಯಾಗಿದೆ ಜನರೇಟಿವ್ ಮಾದರಿಯ.
ಪೂರ್ವ-ವ್ಯಾಖ್ಯಾನ ಕ್ವಿಜ್
ಆದರೆ, ನಾವು VAE ಬಳಸಿ ಅರ್ಥಪೂರ್ಣವಾದ, ಯುಕ್ತಿಯುತ ರೆಸಲ್ಯೂಶನ್ನಲ್ಲಿರುವ ಚಿತ್ರವನ್ನು ರಚಿಸಲು ಪ್ರಯತ್ನಿಸಿದರೆ, ತರಬೇತಿ ಚೆನ್ನಾಗಿ ಸಮ್ಮಿಲನವಾಗುವುದಿಲ್ಲ. ಈ ಬಳಕೆಗೆ, ನಾವು ವಿಶೇಷವಾಗಿ ಜನರೇಟಿವ್ ಮಾದರಿಗಳಿಗೆ ಗುರಿಯಾಗಿರುವ ಮತ್ತೊಂದು ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಕಲಿಯಬೇಕು - ಜನರೇಟಿವ್ ಅಡ್ವರ್ಸರಿಯಲ್ ನೆಟ್ವರ್ಕ್ಗಳು, ಅಥವಾ GANಗಳು.
GANನ ಮುಖ್ಯ ಕಲ್ಪನೆ ಎರಡು ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ಗಳನ್ನು ಪರಸ್ಪರ ಎದುರಾಗಿ ತರಬೇತಿಗೊಳಿಸುವುದು:
ಚಿತ್ರ: Dmitry Soshnikov
✅ ಕೆಲವು ಪದಕೋಶ:
- ಜನರೇಟರ್ ಎಂದರೆ ಕೆಲವು ಯಾದೃಚ್ಛಿಕ ವೆಕ್ಟರ್ ತೆಗೆದುಕೊಂಡು, ಚಿತ್ರವನ್ನು ಉತ್ಪಾದಿಸುವ ನೆಟ್ವರ್ಕ್
- ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ಎಂದರೆ ಒಂದು ಚಿತ್ರವನ್ನು ತೆಗೆದುಕೊಂಡು, ಅದು ನಿಜವಾದ ಚಿತ್ರವೇ (ತರಬೇತಿ ಡೇಟಾಸೆಟ್ನಿಂದ) ಅಥವಾ ಜನರೇಟರ್ ರಚಿಸಿದದು ಎಂದು ಹೇಳುವ ನೆಟ್ವರ್ಕ್. ಇದು ಮೂಲತಃ ಚಿತ್ರ ವರ್ಗೀಕರಣಕಾರ.
ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್
ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ನ ವಾಸ್ತುಶಿಲ್ಪವು ಸಾಮಾನ್ಯ ಚಿತ್ರ ವರ್ಗೀಕರಣ ನೆಟ್ವರ್ಕ್ನಿಂದ ಭಿನ್ನವಾಗುವುದಿಲ್ಲ. ಸರಳವಾಗಿ ಹೇಳುವುದಾದರೆ, ಇದು ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ವರ್ಗೀಕರಣಕಾರವಾಗಿರಬಹುದು, ಆದರೆ ಬಹುಶಃ ಇದು ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ ಆಗಿರುತ್ತದೆ.
✅ ಕನ್ವಲ್ಯೂಷನಲ್ ನೆಟ್ವರ್ಕ್ ಆಧಾರಿತ GAN ಅನ್ನು DCGAN ಎಂದು ಕರೆಯುತ್ತಾರೆ
CNN ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ನಲ್ಲಿ ಹಲವಾರು ಕನ್ವಲ್ಯೂಷನ್ಗಳು ಮತ್ತು ಪೂಲಿಂಗ್ಗಳು (ಸ್ಥಳೀಯ ಗಾತ್ರ ಕಡಿಮೆಯಾಗುವಂತೆ) ಮತ್ತು ಒಂದು ಅಥವಾ ಹೆಚ್ಚು ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ಪದರಗಳು "ಫೀಚರ್ ವೆಕ್ಟರ್" ಪಡೆಯಲು, ಅಂತಿಮ ದ್ವಿಮೂಲಕ ವರ್ಗೀಕರಣಕಾರ ಇರುತ್ತದೆ.
✅ ಈ ಸಂದರ್ಭದಲ್ಲಿ 'ಪೂಲಿಂಗ್' ಎಂದರೆ ಚಿತ್ರ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡುವ ತಂತ್ರ. "ಪೂಲಿಂಗ್ ಪದರಗಳು ಒಂದು ಪದರದಲ್ಲಿನ ನ್ಯೂರಾನ್ ಗುಂಪಿನ ಔಟ್ಪುಟ್ಗಳನ್ನು ಮುಂದಿನ ಪದರದ ಒಂದೇ ನ್ಯೂರಾನ್ಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಡೇಟಾದ ಆಯಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತವೆ." - ಮೂಲ
ಜನರೇಟರ್
ಜನರೇಟರ್ ಸ್ವಲ್ಪ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ. ಇದನ್ನು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ನ ತಿರುಗಿದ ರೂಪವೆಂದು ಪರಿಗಣಿಸಬಹುದು. ಲ್ಯಾಟೆಂಟ್ ವೆಕ್ಟರ್ (ಫೀಚರ್ ವೆಕ್ಟರ್ ಬದಲು) ನಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಅಗತ್ಯ ಗಾತ್ರ/ಆಕಾರಕ್ಕೆ ಪರಿವರ್ತಿಸಲು ಸಂಪೂರ್ಣ ಸಂಪರ್ಕಿತ ಪದರವಿದೆ, ನಂತರ ಡಿಕನ್ವಲ್ಯೂಷನ್ಗಳು ಮತ್ತು ಅಪ್ಸ್ಕೇಲಿಂಗ್. ಇದು ಆಟೋಎನ್ಕೋಡರ್ನ ಡಿಕೋಡರ್ ಭಾಗದಂತೆ.
✅ ಕನ್ವಲ್ಯೂಷನ್ ಪದರವು ಚಿತ್ರವನ್ನು ತಲುಪುವ ರೇಖೀಯ ಫಿಲ್ಟರ್ ಆಗಿರುವುದರಿಂದ, ಡಿಕನ್ವಲ್ಯೂಷನ್ ಮೂಲತಃ ಕನ್ವಲ್ಯೂಷನ್ಗೆ ಸಮಾನವಾಗಿದ್ದು, ಅದೇ ಪದರ ಲಾಜಿಕ್ ಬಳಸಿ ಅನುಷ್ಠಾನಗೊಳ್ಳಬಹುದು.
ಚಿತ್ರ: Dmitry Soshnikov
GAN ತರಬೇತಿ
GANಗಳು ಅಡ್ವರ್ಸರಿಯಲ್ ಎಂದು ಕರೆಯಲ್ಪಡುವುದು ಜನರೇಟರ್ ಮತ್ತು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ನಡುವೆ ನಿರಂತರ ಸ್ಪರ್ಧೆ ಇರುವುದರಿಂದ. ಈ ಸ್ಪರ್ಧೆಯ ಸಮಯದಲ್ಲಿ, ಇಬ್ಬರೂ ಉತ್ತಮಗೊಳ್ಳುತ್ತಾರೆ, ಹೀಗಾಗಿ ನೆಟ್ವರ್ಕ್ ಉತ್ತಮ ಚಿತ್ರಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಕಲಿಯುತ್ತದೆ.
ತರಬೇತಿ ಎರಡು ಹಂತಗಳಲ್ಲಿ ನಡೆಯುತ್ತದೆ:
- ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ತರಬೇತಿ: ಇದು ಸರಳ ಕಾರ್ಯ. ಜನರೇಟರ್ ಮೂಲಕ ಚಿತ್ರಗಳ ಬ್ಯಾಚ್ ರಚಿಸಿ, ಅವುಗಳನ್ನು 0 (ನಕಲಿ ಚಿತ್ರ) ಎಂದು ಲೇಬಲ್ ಮಾಡಿ, ಮತ್ತು ಇನ್ಪುಟ್ ಡೇಟಾಸೆಟ್ನಿಂದ ನಿಜವಾದ ಚಿತ್ರಗಳ ಬ್ಯಾಚ್ (ಲೇಬಲ್ 1) ತೆಗೆದುಕೊಳ್ಳಿ. ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ನಷ್ಟ ಪಡೆಯುತ್ತೇವೆ ಮತ್ತು ಬ್ಯಾಕ್ಪ್ರೋಪ್ ಮಾಡುತ್ತೇವೆ.
- ಜನರೇಟರ್ ತರಬೇತಿ: ಇದು ಸ್ವಲ್ಪ ಕಷ್ಟ. ಜನರೇಟರ್ಗೆ ನಿರೀಕ್ಷಿತ ಔಟ್ಪುಟ್ ನೇರವಾಗಿ ತಿಳಿದಿಲ್ಲ. GAN ಸಂಪೂರ್ಣ ನೆಟ್ವರ್ಕ್ (ಜನರೇಟರ್ ನಂತರ ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್) ತೆಗೆದು, ಯಾದೃಚ್ಛಿಕ ವೆಕ್ಟರ್ಗಳನ್ನು ನೀಡುತ್ತೇವೆ ಮತ್ತು ಫಲಿತಾಂಶ 1 (ನಿಜವಾದ ಚಿತ್ರ) ಆಗಿರಬೇಕೆಂದು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ. ನಂತರ ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ನ ಪರಿಮಾಣಗಳನ್ನು ಸ್ಥಗಿತಗೊಳಿಸಿ (ಈ ಹಂತದಲ್ಲಿ ಅದನ್ನು ತರಬೇತಿಗೊಳಿಸಲು ಬಯಸುವುದಿಲ್ಲ), ಬ್ಯಾಕ್ಪ್ರೋಪ್ ಮಾಡುತ್ತೇವೆ.
ಈ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ಜನರೇಟರ್ ಮತ್ತು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ನಷ್ಟಗಳು ಬಹಳ ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ. ಆದರ್ಶ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ, ಅವು ಅಲ್ಟರ್ನೇಟ್ ಆಗಿ ಏರಿಳಿತವಾಗುತ್ತವೆ, ಎರಡೂ ನೆಟ್ವರ್ಕ್ಗಳು ತಮ್ಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.
✍️ ಅಭ್ಯಾಸಗಳು: GANಗಳು
GAN ತರಬೇತಿಯಲ್ಲಿ ಸಮಸ್ಯೆಗಳು
GANಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವುದು ವಿಶೇಷವಾಗಿ ಕಷ್ಟಕರವೆಂದು ತಿಳಿದುಬಂದಿದೆ. ಕೆಲವು ಸಮಸ್ಯೆಗಳು:
- ಮೋಡ್ ಕಾಲಾಪ್ಸ್: ಜನರೇಟರ್ ಒಂದು ಯಶಸ್ವಿ ಚಿತ್ರವನ್ನು ಮಾತ್ರ ರಚಿಸಲು ಕಲಿಯುತ್ತದೆ, ಅದು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ಅನ್ನು ಮೋಸಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ವಿಭಿನ್ನ ಚಿತ್ರಗಳ ವೈವಿಧ್ಯವನ್ನು ರಚಿಸುವುದಿಲ್ಲ.
- ಹೈಪರ್ಪ್ಯಾರಾಮೀಟರ್ಗಳಿಗೆ ಸಂವೇದನಾಶೀಲತೆ: GANಗಳು ಕೆಲವೊಮ್ಮೆ ಸಮ್ಮಿಲನವಾಗುವುದಿಲ್ಲ, ನಂತರ ಅಚಾನಕ್ ಲರ್ನಿಂಗ್ ರೇಟ್ ಕಡಿಮೆಯಾಗುತ್ತದೆ ಮತ್ತು ಸಮ್ಮಿಲನವಾಗುತ್ತದೆ.
- ಜನರೇಟರ್ ಮತ್ತು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ನಡುವೆ ಸಮತೋಲನ ಕಾಯ್ದುಕೊಳ್ಳುವುದು. ಬಹುಶಃ ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ನಷ್ಟವು ಶೀಘ್ರವೇ ಶೂನ್ಯಕ್ಕೆ ಇಳಿಯಬಹುದು, ಇದರಿಂದ ಜನರೇಟರ್ ಮುಂದುವರೆಯಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ. ಇದನ್ನು ತಡೆಯಲು, ಜನರೇಟರ್ ಮತ್ತು ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ಗೆ ವಿಭಿನ್ನ ಲರ್ನಿಂಗ್ ರೇಟ್ಗಳನ್ನು ನಿಗದಿಪಡಿಸಬಹುದು ಅಥವಾ ಡಿಸ್ಕ್ರಿಮಿನೇಟರ್ ತರಬೇತಿಯನ್ನು ನಷ್ಟ ತುಂಬಾ ಕಡಿಮೆ ಇದ್ದರೆ ಬಿಟ್ಟುಬಿಡಬಹುದು.
- ಹೆಚ್ಚು ರೆಸಲ್ಯೂಶನ್ ತರಬೇತಿ: ಆಟೋಎನ್ಕೋಡರ್ಗಳಂತೆ, ಬಹಳಷ್ಟು ಕನ್ವಲ್ಯೂಷನಲ್ ಪದರಗಳನ್ನು ಪುನರ್ ನಿರ್ಮಿಸುವುದರಿಂದ ಕಲಾಕೃತಿಗಳು ಉಂಟಾಗುತ್ತವೆ. ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರೋಗ್ರೆಸಿವ್ ಗ್ರೋಯಿಂಗ್ ಮೂಲಕ ಪರಿಹರಿಸಲಾಗುತ್ತದೆ, ಮೊದಲಿಗೆ ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್ ಚಿತ್ರಗಳ ಮೇಲೆ ಕೆಲವು ಪದರಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸಿ, ನಂತರ ಪದರಗಳನ್ನು "ಅನ್ಲಾಕ್" ಅಥವಾ ಸೇರಿಸಲಾಗುತ್ತದೆ. ಮತ್ತೊಂದು ಪರಿಹಾರವೆಂದರೆ ಪದರಗಳ ನಡುವೆ ಹೆಚ್ಚುವರಿ ಸಂಪರ್ಕಗಳನ್ನು ಸೇರಿಸಿ, ಒಂದೇ ಸಮಯದಲ್ಲಿ ಹಲವಾರು ರೆಸಲ್ಯೂಶನ್ಗಳನ್ನು ತರಬೇತಿಗೊಳಿಸುವುದು - ವಿವರಗಳಿಗೆ ಈ ಮಲ್ಟಿ-ಸ್ಕೇಲ್ ಗ್ರೇಡಿಯಂಟ್ GANs ಪೇಪರ್ ನೋಡಿ.
ಶೈಲಿ ವರ್ಗಾವಣೆ
GANಗಳು ಕಲಾತ್ಮಕ ಚಿತ್ರಗಳನ್ನು ರಚಿಸಲು ಅತ್ಯುತ್ತಮ ಮಾರ್ಗ. ಇನ್ನೊಂದು ಆಸಕ್ತಿದಾಯಕ ತಂತ್ರವೆಂದರೆ ಶೈಲಿ ವರ್ಗಾವಣೆ, ಇದು ಒಂದು ವಿಷಯ ಚಿತ್ರ ತೆಗೆದುಕೊಂಡು, ಅದನ್ನು ಬೇರೆ ಶೈಲಿಯಲ್ಲಿ ಪುನಃ ಚಿತ್ರಿಸುವುದು, ಶೈಲಿ ಚಿತ್ರನ ಫಿಲ್ಟರ್ಗಳನ್ನು ಅನ್ವಯಿಸುವುದು.
ಇದು ಹೀಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:
- ನಾವು ಯಾದೃಚ್ಛಿಕ ಶಬ್ದಚಿತ್ರದಿಂದ (ಅಥವಾ ವಿಷಯ ಚಿತ್ರದಿಂದ, ಆದರೆ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಯಾದೃಚ್ಛಿಕ ಶಬ್ದಚಿತ್ರದಿಂದ ಪ್ರಾರಂಭಿಸುವುದು ಸುಲಭ) ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ
- ನಮ್ಮ ಗುರಿ ಇಂತಹ ಚಿತ್ರವನ್ನು ರಚಿಸುವುದು, ಅದು ವಿಷಯ ಚಿತ್ರ ಮತ್ತು ಶೈಲಿ ಚಿತ್ರ ಎರಡರಿಗೂ ಸಮೀಪವಾಗಿರಬೇಕು. ಇದನ್ನು ಎರಡು ನಷ್ಟ ಕಾರ್ಯಗಳಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ:
- ವಿಷಯ ನಷ್ಟ ಅನ್ನು CNNನ ಕೆಲವು ಪದರಗಳಿಂದ ಪ್ರಸ್ತುತ ಚಿತ್ರ ಮತ್ತು ವಿಷಯ ಚಿತ್ರದಿಂದ ಪಡೆದ ಫೀಚರ್ಗಳ ಆಧಾರದ ಮೇಲೆ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ
- ಶೈಲಿ ನಷ್ಟ ಅನ್ನು ಪ್ರಸ್ತುತ ಚಿತ್ರ ಮತ್ತು ಶೈಲಿ ಚಿತ್ರ ನಡುವೆ ಗ್ರಾಮ್ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಬಳಸಿ ಚತುರವಾಗಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ (ಹೆಚ್ಚಿನ ವಿವರಗಳು ಉದಾಹರಣೆ ನೋಟ್ಬುಕ್ ನಲ್ಲಿ)
- ಚಿತ್ರವನ್ನು ಮೃದುಗೊಳಿಸಲು ಮತ್ತು ಶಬ್ದವನ್ನು ತೆಗೆದುಹಾಕಲು, ನಾವು ವ್ಯಾರಿಯೇಷನ್ ನಷ್ಟ ಅನ್ನು ಪರಿಚಯಿಸುತ್ತೇವೆ, ಇದು ಹತ್ತಿರದ ಪಿಕ್ಸೆಲ್ಗಳ ಸರಾಸರಿ ದೂರವನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ
- ಮುಖ್ಯ ಆಪ್ಟಿಮೈಜೆಷನ್ ಲೂಪ್ ಪ್ರಸ್ತುತ ಚಿತ್ರವನ್ನು ಗ್ರೇಡಿಯಂಟ್ ಡಿಸೆಂಟ್ (ಅಥವಾ ಇತರ ಆಪ್ಟಿಮೈಜೆಷನ್ ಆಲ್ಗಾರಿಥಮ್) ಬಳಸಿ ಎಲ್ಲಾ ಮೂರು ನಷ್ಟಗಳ ತೂಕಿತ ಮೊತ್ತವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಹೊಂದಿಸುತ್ತದೆ.
✍️ ಉದಾಹರಣೆ: ಶೈಲಿ ವರ್ಗಾವಣೆ
ಪೋಸ್ಟ್-ವ್ಯಾಖ್ಯಾನ ಕ್ವಿಜ್
ಸಾರಾಂಶ
ಈ ಪಾಠದಲ್ಲಿ, ನೀವು GANಗಳ ಬಗ್ಗೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ತರಬೇತಿಗೊಳಿಸುವುದು ಎಂಬುದನ್ನು ಕಲಿತಿರಿ. ಈ ರೀತಿಯ ನ್ಯೂರಲ್ ನೆಟ್ವರ್ಕ್ ಎದುರಿಸಬಹುದಾದ ವಿಶೇಷ ಸವಾಲುಗಳು ಮತ್ತು ಅವುಗಳನ್ನು ದಾಟಲು ಕೆಲವು ತಂತ್ರಗಳನ್ನು ತಿಳಿದುಕೊಂಡಿರಿ.
🚀 ಸವಾಲು
ನಿಮ್ಮ ಸ್ವಂತ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ ಶೈಲಿ ವರ್ಗಾವಣೆ ನೋಟ್ಬುಕ್ ಅನ್ನು ಚಾಲನೆ ಮಾಡಿ.
ವಿಮರ್ಶೆ ಮತ್ತು ಸ್ವಯಂ ಅಧ್ಯಯನ
GANಗಳ ಬಗ್ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಗಾಗಿ ಈ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಓದಿ:
- ಮಾರ್ಕೋ ಪಾಸಿನಿ, ಒಂದು ವರ್ಷ GAN ತರಬೇತಿಯಲ್ಲಿ ಕಲಿತ 10 ಪಾಠಗಳು
- StyleGAN, ಪರಿಗಣಿಸಲು ಒಂದು de facto GAN ವಾಸ್ತುಶಿಲ್ಪ
- Azure ML ನಲ್ಲಿ GAN ಬಳಸಿ ಜನರೇಟಿವ್ ಕಲೆಯನ್ನು ರಚಿಸುವುದು
ಹೋಮ್ವರ್ಕ್
ಈ ಪಾಠಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎರಡು ನೋಟ್ಬುಕ್ಗಳಲ್ಲಿ ಒಂದನ್ನು ಮರುಸಂದರ್ಶಿಸಿ ಮತ್ತು ನಿಮ್ಮ ಸ್ವಂತ ಚಿತ್ರಗಳ ಮೇಲೆ GAN ಅನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಿ. ನೀವು ಏನು ರಚಿಸಬಹುದು?
ಅಸ್ವೀಕರಣ:
ಈ ದಸ್ತಾವೇಜು AI ಅನುವಾದ ಸೇವೆ Co-op Translator ಬಳಸಿ ಅನುವಾದಿಸಲಾಗಿದೆ. ನಾವು ನಿಖರತೆಯಿಗಾಗಿ ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೂ, ಸ್ವಯಂಚಾಲಿತ ಅನುವಾದಗಳಲ್ಲಿ ದೋಷಗಳು ಅಥವಾ ಅಸತ್ಯತೆಗಳು ಇರಬಹುದು ಎಂದು ದಯವಿಟ್ಟು ಗಮನಿಸಿ. ಮೂಲ ಭಾಷೆಯಲ್ಲಿರುವ ಮೂಲ ದಸ್ತಾವೇಜನ್ನು ಅಧಿಕೃತ ಮೂಲವೆಂದು ಪರಿಗಣಿಸಬೇಕು. ಮಹತ್ವದ ಮಾಹಿತಿಗಾಗಿ, ವೃತ್ತಿಪರ ಮಾನವ ಅನುವಾದವನ್ನು ಶಿಫಾರಸು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಅನುವಾದ ಬಳಕೆಯಿಂದ ಉಂಟಾಗುವ ಯಾವುದೇ ತಪ್ಪು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಿಕೆ ಅಥವಾ ತಪ್ಪು ವಿವರಣೆಗಳಿಗೆ ನಾವು ಹೊಣೆಗಾರರಾಗುವುದಿಲ್ಲ.