GANs mit PyTorch selbst programmieren

Neues von Bestsellerautor Tariq Rashid: Eine Einführung in die innovative Deep-Learning-Technik GANs Schritt-für-Schritt-Anleitung zum Erstellen eigener GANs mit PyTorch, regt zum Ausprobieren an GANs (Generative Adversarial Networks) gehören zu den spannendsten neuen Algorithmen im Machine Learning Tariq Rashid erklärt diese schwierige Materie außergewöhnlich klar und gut nachvollziehbar GANs sind »die coolste Idee im Deep Learning in den letzten 20 Jahren« - sagt Yann LeCun, einer der weltweit führenden Forscher auf dem Gebiet neuronaler Netze, über Generative Adversarial Networks. Bei dieser noch neuen KI-Technik treten zwei neuronale Netze gegeneinander an mit dem Ziel, realistisch wirkende Fotos, Videos oder Texte neu zu generieren. Die Netze trainieren sich gegenseitig: Auf Basis realer Daten erzeugt der Generator künstliche Inhalte, der Diskriminator weist Daten mit schlechter Qualität zurück.Mit diesem Buch können Sie selbst ganz praktisch ausprobieren, wie GANs funktionieren. Wie in seinem Bestseller Neuronale Netze selbst programmieren, auf den dieses Buch aufbaut, erläutert Tariq Rashid jede Technik Schritt für Schritt mit vielen anschaulichen Abbildungen. Sie erfahren, wie Sie mit dem populären Framework PyTorch Ihre eigenen GANs erstellen und trainieren: Sie lernen die Grundlagen von PyTorch und programmieren damit Ihr erstes neuronales Netz auf Google Colab Sie starten dann mit einem einfachen GAN, um einen typischen Workflow einzurichten, und üben erste Techniken anhand der MNIST-Datenbank mit handgeschriebenen Zahlen Mit diesem Wissen programmieren Sie ein GAN, das realistische menschliche Gesichter erzeugen kann Sie finden heraus, wo das GAN versagt, schaffen Abhilfe und verbessern die Leistung und Stabilität Ihres Modells Abschließend erkunden Sie auch anspruchsvollere Themen wie Convolutional und Conditional GANs Tariq Rashids besondere Fähigkeit, komplexe Ideen verständlich zu erklären, macht diese schwierige Materie für jeden Interessierten zugänglich und praktisch nachvollziehbar.