零基礎學 AI - 玩轉 GAN 模型

    訓練您的電腦更像人,不僅學會動手寫數字還能繪圖創作

    426
    5.0
    • 瞭解 GAN 模型的基本架構

    • 實作 GAN 模型的建立、訓練

    • 實作圖像翻譯模型:電腦動手寫數字

    • 學習卷積網路的進階觀念

    • 學習 CycleGAN 的運作原理

    US$84.17

    按一下 进入设定

    00:00
    00:00
    00:00

    課程優惠

    組合最划算   ❗❗組合優惠各限量50組❗❗

    (1) 零基礎學 AI|深度學習打底+GAN 模型

    (2) 零基礎學 AI|GAN初學者全組合(Python+深度學習+GAN)

    (3) 零基礎學AI|深度學習應用組合包(深度學習打底、GAN、NLP)

    (4) 零基礎學AI|NLP系列全組合包(Python +深度學習打底+GAN+NLP) 


    越早預購越划算,價格將依照 課程製作完成度、購買人數、優惠名額...等條件,進行價格調整, 以實際公告與當下購買之金額為主。


    快速認識生成對抗網路 GAN

    生成對抗網路(Generative Adversarial Network, GAN):是非監督式學習的一種方法,通過讓兩個神經網路(生成網路 Generator Network v.s. 判別網路 Discriminator Network)相互對抗的方式進行學習,目的為實現「不靠人類就能自主學習的人工智慧」。


     # GAN模型基本架構圖 


    圖片來源:GitHub <generative-adversarial-networks>


    ⭐️ GAN中的 2 個核心角色:創作家與鑑賞家


    生成網路(Generator Network)扮演創作家,判別網路(Discriminator Network)扮演鑑賞家,互相對抗進行學習,創作家(生成網絡)從已知的圖像中加入雜訊生成一張假圖像,並傳給鑑賞家(判別網路)與真實圖像進行鑑定比對,並傳回 True / False(判別網路為二元分類模型);經過這樣的程序不斷地調整參數、進行對抗學習,最終目的是使鑑賞家無法判斷創作家的輸出結果是否為真實。




    除了演算法、兩個角色外,更多關於 GAN 的介紹:生成對抗網路到底在GAN麻?


    GAN 模型有哪些實際應用呢?

    ⭐️  facebook  人工智慧研究主管 Yann LeCun:「GAN 是過去十年間在機器學習領域最有意思的想法。」


     案例解析 :# Synthesizing Obama:以假亂真的歐巴馬演說 


    影像參考來源:<Synthesizing Obama: Learning Lip Sync from Audio>

    這怎麼做到的?:


    首先透過 RNN(Recurrent Neural Network)循環神經網路將「聲音輸入」轉成「隨時間變化的大致口型」,再合成其他如鼻子、法令紋、下巴、臉頰等結構並放到 Target video 上,調整參數讓其他臉部特徵可以隨演說時的嘴型動作得更自然,最終完成這部以假亂真的影片。


    本課程涵蓋此技術的章節:


    循環神經網路(RNN) |深度學習基礎 - 第 9 & 10 章



     案例解析 :# DCGAN:戴眼鏡男人 - 沒戴眼鏡男人 + 沒戴眼鏡女人 = 戴眼鏡女人 


    影像來源:<UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS>

    這怎麼做到的?


    DCGAN(Deep Convolutional GAN)深度卷積生成對抗網路,是 GAN 結合 CNN (卷積神經網路)的一種模型,深度學習中對影像處理應用最好的模型是CNN;DCGAN 利用反卷積網路(Deconvolution Network)反覆生成圖像,再將生成圖像放入 GAN 模型中執行,不斷訓練,最後產出真偽難辨的圖像。


    本課程涵蓋此技術的章節:


    卷積神經網路(CNN) |深度學習基礎 - 第 6 & 7 章

    反卷積網路(Deconvolution Network) |深度學習 GAN 模型 - 第 6 章

    我們為您降低學習 AI 的門檻

    # 市面上找到的 AI 相關課程,總是又貴、又難、又看不懂在幹嘛...?


    坊間的 AI 人工智慧課程動輒要數萬元... 課程學習內容又總是不知道想表達什麼?實在沒有那個心臟買下去...


    我們想給您最佳的學習體驗:

    • 最省錢:只需要坊間課程一半不到的價錢就能跨入 AI 領域,一次學費永久學習
    • 最省時:在職學習也可以,每天投入 X 分鐘累積 AI 技術人才基礎實力
    • 最核心:教您深度學習中最主流的開發工具 Python + Keras + TensorFlow

    資料整理自: iThome <企業如何善用深度學習?全球Top 4技術長告訴你>

    這堂課將帶您用 GAN 完成...

    重點學習 1、GAN模型理論與實作

    • 瞭解基礎 GAN 模型的核心觀念
    • 帶您獨立實作 GAN 模型
    • 奠定 GAN 模型理論基礎,隨著課程進行學習 GAN 的變形



    重點學習 2、CGAN (Conditional GAN) GAN的重要變形之一

        • 透過 MLP 建立並訓練 GAN 模型
        • 結合 Conditional MNIST 加入 Embedding 層
        • 完成一個一個數字的視覺創作成果

    # 教你的電腦寫出「阿拉伯數字」




    重點學習 3、PIX2PIX 實作圖像翻譯

    • 掌握 PIX2PIX 圖像轉換的原理
    • 瞭解灰度圖、彩色圖、梯度圖等多種圖像之間的翻譯
    • 轉換您的地圖風格,讓電腦創作出空拍圖


    # 根據原圖創造您的 Maps



    重點學習 4、CycleGAN 圖像轉換應用

        • 學習 CycleGAN 不對稱式風格轉換原理
        • 讀入風景資料集
        • 透過鑑賞家與創作家的生成對抗訓練
        • 最終得到「馬變成斑馬」的視覺創作成果

    # 不用改基因,把馬變斑馬



     學習地圖 - 深度學習基礎到 GAN 模型

    # 培養您開始聰明地用 AI 解決問題



    我也適合這堂課嗎?

    如果您...


    具備 Python 基礎能力,非常好!:


    那您就是我們要找的人!不用擔心沒有 AI 基礎,本課程是從基礎知識開始教,並且搭配大量模型實作的實務課,我們希望培養您兼具理論與實務應用的能力。


    未具備 Python 基礎能力,也沒關係 


    本課程將直接透過 Python 搭配 Keras 及 TensorFlow 的應用切入,沒有 Python 基礎的學生會有限縮學習效果的可能。我們幫您想好了!我們提供另外提供包含 Python 基礎課程的組合包,讓您不用再找其他課程、適應不同老師的教學風格,無痛銜接!


    老師教學易懂、搭配重點實作讓您印象更深刻

    # 加入課程留下評價,成為老師未來開課規劃的動力吧!




    快問快答

    # 如果快問快答沒有解決到您的問題,可以到上方「購課問答」向老師提出您更棒的問題哦!


    Q : 我沒有 Python 基礎,是否會有學習上的困難?


    本課程直接從 Python 搭配 Keras 及 TensorFlow 的應用切入,沒有 Python 基礎的學生會有限縮學習效果的可能。我們沒有 Python 基礎的學生開設了第 1 課 - Python 駭入基礎語法,讓您從基礎就跟著周凡剛老師學習,一路到 AI 實力培養,學習道路更順暢!


    Q : 數學能力不好加上沒有 AI 基礎,我適合這堂課嗎?

     

    只要您不排斥基本運算,本課程不會讓您死背艱澀難懂的數學式,我們要強調學習核心觀念;本課程歡迎沒有 AI 基礎概念的學生,我們從基礎知識開始教,並且搭配大量模型實作的實務課,培養您兼具理論與實務應用。


    講師簡介

    周凡剛 老師 - 程式語言分析師 & 數據工程師

    對於程式語言的核心概念非常了解的語言分析師, 想要跟大家一起蒐集以及利用數據的數據科學家. 希望自身對於程式語言以及數據科學的研究可以幫助大家在專業領域上精益求精。

        • 學歷: 台灣大學電機系 學士 碩士畢業
        • 經歷: 聯發科R&D, 中央大學講師, 元智大學講師


    章节目录

    • 1-1
      GAN介紹

    试阅影片

    常见问答

    如果您購買的是募資課程,請在課程的【簡介】中查看開課時間,募資課程將於開課時間所述日期開放同學上課。

     

    若您購買的是一般課程(開放上課課程),則在購買完成後可以立即開始觀看。

     

    所有線上課程皆不受時間限制,享無限次永久觀看!

    猜你喜欢

    购买前问答

    蔡宛臻
    蔡宛臻

    周老師我已經看完這個課程了,我想問一個進階問題如果 G 網路和 D 網路的深度或參數複雜度不一樣時,它的 loss 是不是可能達到平衡?  


    另外我可以拿訓練好的 D1 網路去訓練另外一個 G2 網路嗎
    ,例如說我的 G1 D1 是用 CGAN 訓練的,我拿訓練好的 D1 去訓練 DCGAN 的 G2。是不是可以這樣玩,loss 要怎麼看呢

    周凡剛
    周凡剛
    hihi 宛臻 


    不好意思 這個月有點忙 回的有點慢


    關於複雜度的話, 我會建議兩個不要差太多, 因為GAN 靠的是一個奈許均衡來訓練D和G, D跑太快 G 會完全放棄, 同理也是, 所以如果複雜度差太多, 我認為會導致另外一邊比較傾向放棄


    如果要預訓練的話, 我們不會完全訓練好, 因為如上所說, 會有另外一邊放棄的問題, 但是你可以稍微稍為的訓練一下下下D, 讓D一開始就厲害一點點(別太多), 這樣的話有時候可以達到比較好的效果(警察一開始就比較分得出來 真作/偽作


    Thanks,
    Elwing

    销售方案