2. by Datamics, 2018
Generative Adversarial Networks
• Es ist Zeit, etwas über GAN - Generative Adversarial
Networks zu lernen.
• GANs wurden erstmals im Jahr 2014 von Ian Goodfellow
et al. referiert.
Generative Adversarial Networks
3. by Datamics, 2018
Generative Adversarial Networks
• GAN's bieten die Möglichkeit, neue Proben zu
generieren, ähnlich den Daten, auf denen sie trainiert
wurden.
• Ein Beispiel ist das Erstellen neuer Gesichter nach dem
Training auf einem großen Datensatz von Gesichtern.
Generative Adversarial Networks
4. by Datamics, 2018
Generative Adversarial Networks
Sie haben unglaubliche Ergebnisse erzielt:
Nach 5 Epochen Nach 100 Epochen
Generative Adversarial Networks
5. by Datamics, 2018
Generative Adversarial Networks
Einige der neuesten Ergebnisse von NVIDIA:
Generative Adversarial Networks
6. by Datamics, 2018
Generative Adversarial Networks
• Gehen wir die allgemeine Idee durch, wie GANs
funktionieren.
• Wir bauen zwei Netzwerke, einen Generator (G) und
einen Diskriminator (D).
• Diese Netzwerke "konkurrieren" miteinander.
Generative Adversarial Networks
8. by Datamics, 2018
Generative Adversarial Networks
Schließlich wird der Generator nach vielem Training (und
in der Regel auch nach dem Tuning von
Hyperparametern) hoffentlich in der Lage sein, Beispiele
zu erzeugen, die von den realen Daten nicht zu
unterscheiden sind.
Generative Adversarial Networks
9. by Datamics, 2018
Generative Adversarial Networks
Die Codierung einer GAN kann eigentlich relativ einfach
sein, da sie im Wesentlichen nur zwei getrennte
Netzwerke, den Diskriminator und den Generator,
erzeugt.
Generative Adversarial Networks
10. by Datamics, 2018
Generative Adversarial Networks
• Was nicht einfach ist, ist die Abstimmung der
Hyperparameter und der Trainingszeit.
• Lass uns kurz auf einige der möglichen Probleme
eingehen.
Generative Adversarial Networks
11. by Datamics, 2018
Diskriminator „overpowering“ Generator
• Manchmal beginnt der Diskriminator, alle generierten
Beispiele als gefälscht zu klassifizieren.
• Möglicherweise möchtest du, dass der
Diskriminatorausgang unskaliert statt Sigmoid
ausgegeben wird.
Generative Adversarial Networks
12. by Datamics, 2018
Mode Collapse (Modus Zusammenbruch)
• Der Generator entdeckt einige Schwächen im
Diskriminator.
• Der Generator erzeugt immer wieder ein ähnliches
Beispiel, unabhängig von der Eingabevariation.
Generative Adversarial Networks
13. by Datamics, 2018
Mode Collapse (Modus Zusammenbruch)
Man kann versuchen, die Trainingsrate anzupassen oder
die Schichten des Diskriminators zu ändern, um ihn zu
verbessern.
Generative Adversarial Networks
14. by Datamics, 2018
Generative Adversarial Networks
• Realistisch gesehen können nur GPU-gesteuerte
Computer das Training einer GAN bewältigen.
• Selbst dann kann das Training für bestimmte Daten sehr
lange dauern (Tage bis Wochen).
Generative Adversarial Networks
15. by Datamics, 2018
Generative Adversarial Networks
• Denke daran, dass diese Technologie extrem neu ist!
• Die neuesten Techniken werden ständig veröffentlicht.
Generative Adversarial Networks
16. by Datamics, 2018
Generative Adversarial Networks
Lass uns das berühmte Beispiel einer GAN codieren,
indem wir eine GAN erstellen, die Zahlen aus dem
MNIST-Datensatz generiert!
Generative Adversarial Networks
20. by Datamics, 2018
Verwende den Gutschein „SLIDESHARE2018“ auf Udemy oder die Shortlinks
und erhalte unsere Kurse für nur 10,99€ (95% Rabatt).
Deep Learning Grundlagen mit TensorFlow und Python https://goo.gl/FqNoAe
Python für Data Science und Machine Learning: https://goo.gl/cE7TQ3
Original Python Bootcamp - Von 0 auf 100: https://goo.gl/gjn7pX
R für Data Science und Machine Learning: https://goo.gl/8h5tH7
Exklusive Gutscheine
Udemy-Kurse
by Datamics, 2018https://www.udemy.com/user/rene-brunner/