آموزش یادگیری عمیق – شبکه های GAN با پایتون

یادگیری ماشین، استخراج دانش از داده ها و استفاده از آن برای هوشمند کردن ماشین است. روشی که طلایه دار پیشرفت یادگیری ماشین محسوب می شود، قطعا یادگیری عمیق است. یادگیری عمیق شاخه های مختلفی دارد که یکی از آن ها GAN یا شبکه های مخالف مولد (Generative Adversarial Networks) است. این نوع از شبکه های عصبی در سال ۲۰۱۴ توسط گودفلو (Goodfellow) در کنفرانس NIPS ارائه شد.

شبکه های GAN قادر هستند داده های جدید تولید کنند. کمبود داده های برچسب دار، یکی  از چالش های اساسی یادگیری ماشین است. کاربردهای موفق یادگیری ماشین کاربردهایی هستند که داده های برچسب دار فراوان دارند. منظور از برچسب این است که مثلا در مورد یک تصویر حیوان، مشخص شود تصویر چه حیوانی است. به صورت خلاصه، شبکه های مخالف مولد، قابلیت تولید هوشمندی جدید را به دنیای هوش مصنوعی وارد می کنند. کاربردهای این شبکه ها تاکنون بیشتر در حوزه تصویر بوده است.

در این فرادرس با مفاهیم و کاربردهای شبکه عصبی عمیق آشنا خواهید شد. شبکه های GAN، یکی از به روزترین معماری های یادگیری عمیق است که از زمان مطرح شدن در سال ۲۰۱۴ تاکنون به شدت رشد یافته است. رشد عجیب این معماری یادگیری عمیق، به خاطر کاربردهای جذاب و بعضا حیرت آور آن از قبیل متحرک سازی تصویر ثابت مونالیزا و… بوده است. این معماری یادگیری عمیق، موضوع اصلی مقالات علمی در کنفرانس های معتبر یادگیری ماشین از قبیل NIPS در سال های اخیر است.

در حوزه کاربرد نیز شاهد ظهور کاربردهای متعدد آن در مقالات هستیم و یافتن کاربردهای جدید برای شبکه های GAN خود یک موضوع علمی است. به صورت خلاصه می توان گفت توانمندی که شبکه های GAN در اختیار طراحان محصولات هوش مصنوعی و محققین قرار می دهد، قابلیت تولید هوشمندی جدید است. این قابلیت را می توان در کاربردهایی از قبیل: نقاشی کشیدن توسط ماشین، تولید ویدئوی جدید در حوزه های خاص و… مشاهده کرد.

در این آموزش با شبکه های GAN معمولی، شبکه های Deep Convolutional GAN, Semi-supervised GAN, Conditional GAN و CycleGAN آشنا می شوید. علاوه بر این، قبل از ورود به موضوع شبکه های GAN، مفاهیم مقدماتی مورد نیاز یادگیری ماشین و شبکه های عصبی بیان شده است. در این آموزش از زبان پایتون برای آموزش برنامه نویسی در شبکه های GAN استفاده شده است. آموزش به صورت کوتاه بوده مطالب مهم و کلیدی شبکه های GAN و انواع آن را بیان می کند.

فهرست سرفصل ها و رئوس مطالب مطرح شده در این مجموعه آموزشی، در ادامه آمده است:

• درس یکم: مقدمه ای بر هوش مصنوعی و شبکه های GAN
  • هوش مصنوعی، یادگیری ماشین، یادگیری عمیق
  • شبکه های GAN و کاربردهای آن
• درس دوم: مفاهیم پایه ای یادگیری ماشین و شبکه عصبی
  • یادگیری ماشین
  • انواع یادگیری
  • مفاهیم پایه ای شبکه عصبی
  • شبکه عصبی عمیق
• درس سوم: شبکه های Autoencoder
  • مدل سازی مولد
  • معماری شبکه Autoencoder
  • یادگیری در شبکه Autoencoder
  • کاربردهای شبکه Autoencoder
  • معماری شبکه Variational Autoencoder
  • توانمندی و نقص Autoencoder در مدل سازی مولد
• درس چهارم: شبکه ‌های GAN معمولی
  • معماری شبکه GAN
  • تابع هزینه در شبکه GAN
  • بهینه سازی رقابتی تابع هزینه در شبکه GAN
  • یادگیری در شبکه GAN
  • مقایسه GAN با Autoencoder
  • آموزش شبکه GAN
  • مثال عملی شبکه GAN در پایتون
• درس پنجم: شبکه های GAN کانولوشنی (Deep Convolutional GAN)
  • شبکه های عصبی کانولوشنی
  • لایه های کانولوشن، Pooling و کانولوشن معکوس
  • معماری شبکه DCGAN
  • مثال عملی شبکه DCGAN در پایتون
• درس ششم: شبکه های GAN نیمه نظارتی (Semisupervised GAN)
  • یادگیری نیمه نظارتی
  • معماری شبکه Semi-supervised GAN
  • تفاوت عملکرد شبکه Semi-supervised GAN با سایر شبکه های GAN
  • مثال عملی شبکه Semi-supervised GAN در پایتون
• درس هفتم: شبکه های GAN مشروط (Conditional GAN)
  • چالش شبکه GAN در مدل سازی مولد
  • معماری شبکه CGAN
  • مثال عملی شبکه CGAN در پایتون
• درس هشتم: شبکه های GAN چرخشی (Cycle GAN)
  • معماری شبکه CycleGAN
  • تابع های هزینه در شبکه CycleGAN
  • توضیح روال پیاده سازی CycleGAN
  • معماری شبکه U-Net در CycleGAN
  • معماری شبکه PatchGAN در CycleGAN

مفید برای رشته های

• مهندسی کامپیوتر