今さら聞けないGAN（1） 基本構造の理解 - Qiita
なんとなく知っている気になっているけど。。。 ディープラーニング関連技術の中でも、GANに関するニュースは良く取り上げられていますね。警察と貨幣偽造者といったコンセプトは理解しやすく、学習したモデルから新たに絵や文章などを作り出せることは「これぞ人工知能」感を醸し出しています。 知ったかぶって、「それ、GANでできたら面白いですね」とか言ってしまうくせに、ソースコードレベルでの動作については実は良くわかっていない。チュートリアルを実行してなんとなく、「この行は〜をしているのだなぁ」ということはわかるのですが、そもそも「GANの基本思想を理解した上でなぜこのコーディングになっているのか」が掴めないため、 自分の適用させたい問題に対して、どこを修正すれば良いのかわからない 新しいGANのアルゴリズムが出てきたときに、どこを修正すれば良いのかわからない はい、全て私の経験です。この記事では、自分
Deep LearningのGANで打線組んでみた【画像生成】 - Qiita
はじめに Deep Learningの基礎を学習した人であればGAN（敵対的生成ネットワーク）をご存知でしょうか。Goodfellow氏によるGenerative Adversarial Nets(GAN)発表以来、特に画像生成の領域ではトレンドが続いています。 さて、毎月百以上の新しいGANが発表される昨今。2018年も終わった節目にこれまでに世界各国で生み出されてきたGANで打線を組んでみました。 打線発表 1(一) cGAN 2(遊) ACGAN 3(二) InfoGAN 4(中) DCGAN 5(右) starGAN 6(三) WGAN 7(左) LSGAN 8(捕) SAGAN 9(投) cycleGAN それでは簡単に解説していきます。（各図は論文から引用しています。） 解説 １．cGAN( Conditional GAN ) 条件付きのGAN。入力する画像と共にラベル情報を追
Python + tensorflow でGANを試してみた．
今回兼ねてからやってみたかったGANを触ってみました。 とは言っても、githubにあったコードを実行するだけですが、実際に画像が生成されていく様は楽しかったです。 GANとは GANは敵対的生成ネットワークGenerative Adversarial Networksの略です。 ざっくりやっていることを説明して行きます。 generatorとdiscriminatorというものがあり、generatorは与えられたデータと同じようなものを生成しようとし、discriminatorはgeneratorによって作られたデータが本物かどうかを判定します。 これを繰り返すうちに与えられたデータそっくりのものができます。 しかもこれは与えられたデータの一部を切りはりしているわけではないのです。 非常に面白くこれからに期待ができます。 詳しい解説はこちらをみてください。 クローンかダウンロードをして
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
