Bina DCGAN
GAN berkonvolusi untuk penjanaan imej.
Bina DCGAN ialah pelajaran Deep Learning Academy percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Deep Learning Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Perkara yang Ditambah oleh DCGAN
DCGAN ialah GAN yang dibina daripada lapisan konvolusi. Ia menggantikan lapisan padat dengan konvolusi, menjadikannya sangat baik untuk menjana imej realistik. 🖼️
Penjana Membesarkan Imej
Penjana menggunakan konvolusi tertranspose untuk meningkatkan pensampelan vektor pendam kecil secara berperingkat sehingga menjadi imej bersaiz penuh.
nn.ConvTranspose2d(100, 256, 4, 1, 0)Pembeza Mengecilkan Imej
Pembeza melakukan perkara sebaliknya: konvolusi berlangkah mengecilkan imej sehingga menjadi satu skor nyata-atau-palsu.
nn.Conv2d(3, 64, 4, 2, 1)Normalisasi Kelompok Menstabilkan
DCGAN meletakkan normalisasi kelompok antara lapisan dalam kedua-dua rangkaian. Ia memastikan pengaktifan kekal sihat dan menjadikan latihan jauh lebih stabil.
nn.BatchNorm2d(256)ReLU dalam Penjana
Penjana menggunakan pengaktifan ReLU pada lapisan tersembunyinya untuk memastikan kecerunan terus mengalir semasa imej dibina.
nn.ReLU(True)LeakyReLU dalam Pembeza
Pembeza lebih menggemari LeakyReLU, yang membenarkan isyarat kecil mengalir bagi nilai negatif dan mengelakkan neuron mati.
nn.LeakyReLU(0.2, inplace=True)Tanh pada Output
Penjana berakhir dengan Tanh, mengehadkan piksel kepada julat minus satu hingga satu supaya sepadan dengan imej latihan yang dinormalkan.
nn.Tanh()Sigmoid untuk Keputusan
Pembeza berakhir dengan Sigmoid, yang menukarkan ciri akhirnya kepada kebarangkalian antara sifar dengan satu.
nn.Sigmoid()Permulaan Berat
DCGAN memulakan berat daripada taburan normal kecil yang berpusat hampir sifar. Permulaan yang baik membantu kedua-dua rangkaian berlatih dengan lancar sejak langkah pertama.
nn.init.normal_(m.weight, 0.0, 0.02)Pilih Saiz Pendam
Dimensi laten, biasanya 100, menentukan bilangan nombor rawak yang menjadi benih bagi setiap imej. Dimensi laten yang lebih besar memberi lebih banyak ruang kepada penjana untuk menghasilkan variasi.
nz = 100Lihat Sampel Semasa Melatih
Simpan grid imej yang dijana setiap beberapa epok. Melihat imej menjadi semakin tajam ialah cara untuk mengesahkan bahawa DCGAN benar-benar sedang belajar.
Semakan Ringkas
Pengaktifan manakah yang sesuai diletakkan pada bahagian paling akhir penjana?
Ulang Kaji: Membina DCGAN
Anda telah memasang DCGAN: konvolusi tertranspos membesarkan imej, konvolusi berlangkah menilainya, dan normalisasi kelompok memastikan semuanya stabil. 🛠️
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Bina DCGAN” percuma?
Ya — teks penuh “Bina DCGAN” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Deep Learning Academy, tingkat taraf kepada CoddyKit PRO. Kursus Deep Learning Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Bina DCGAN”?
GAN berkonvolusi untuk penjanaan imej. Anda berlatih Deep Learning Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Deep Learning Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Deep Learning Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Bina DCGAN” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Deep Learning Academy ini?
Ya. Setiap pelajaran Deep Learning Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.