糖心vlog官网观看

Read in English (Auf Englisch lesen).

Ein Machine-Learning-Modell ist eine Datei, die Muster in Informationen erkennt. Diese Modelle werden anhand eines Datensatzes trainiert und von Anweisungen, einem sogenannten Machine-Learning-Algorithmus, geleitet. Machine-Learning-Modelle k枚nnen verwendet werden, um wiederkehrende Entscheidungsprozesse zu automatisieren, Informationen zu sortieren, neue Datenstichproben zu erstellen und Vorhersagen zu treffen.聽

Angenommen, Sie m枚chten eine 脺berwachungskamera trainieren, um bestimmte Personen zu erkennen. Sie k枚nnten dem Modell einen Trainingsdatensatz mit Fotos Ihrer Familie bereitstellen und diese als ungef盲hrlich kennzeichnen. Ein Machine-Learning-Algorithmus kann die Kamera anweisen, keine Sicherheitswarnungen auszugeben, wenn sie Personen im Datensatz erkennt. Anstatt Sicherheitswarnungen 蹿眉谤 jede erkannte Bewegung zu erhalten, erhalten Sie dann nur noch Sicherheitswarnungen 蹿眉谤 Bewegungen, die von Personen au脽erhalb Ihrer Familie ausgel枚st werden.聽

Was ist GAN? Bedeutung von Gan

GAN steht 蹿眉谤 Generative Adversarial Network.

Es handelt sich um ein Modell 蹿眉谤 maschinelles Lernen, das als neuronales Netzwerk bezeichnet wird und speziell darauf ausgelegt ist, die Struktur und Funktion des menschlichen Gehirns nachzuahmen. Aus diesem Grund werden neuronale Netzwerke im maschinellen Lernen manchmal auch als k眉nstliche neuronale Netze (KNN) bezeichnet. Diese Technologie bildet die Grundlage 蹿眉谤 Deep Learning, eine Unterkategorie des maschinellen Lernens (ML), die komplexe Muster in unterschiedlichen Datentypen wie Bildern, T枚nen und Texten erkennen kann.聽

Erfahren Sie in der Spezialisierung auf Generative Adversarial Networks (GANs) von DeepLearning.AI mehr 眉ber reale Anwendungen von GANs:

Menschliche Neuronen vs. k眉nstliche Neuronen

Neuronen im Gehirn sind Zellen, die chemische und elektrische Signale nutzen, um Informationen zwischen verschiedenen Teilen des Gehirns und K枚rpers zu 眉bertragen. Neuronen in Modellen des maschinellen Lernens sind Softwaremodule, die Informationen und Berechnungen untereinander austauschen.聽

Generative Modelle

Generative Modelle k枚nnen neue Datenproben generieren, indem sie die Platzierung der Daten und deren Repr盲sentation interpretieren. Diskriminative Modelle konzentrieren sich dagegen auf die Unterscheidung zwischen vorhandenen Datenproben.聽

Neuronale Netze

Generative Modelle bestehen aus zwei Arten neuronaler Netzwerke:

1. Generator. Generatoren sind Convolutional Neural Networks (CNN), eine Art Deep-Learning-Algorithmus, der Eingabebilder analysieren, darin enthaltene Objekte identifizieren und ihnen Bedeutungen zuweisen kann. Diese Bedeutungen werden durch sogenannte Gewichte repr盲sentiert. Das Ziel des Generatornetzwerks besteht darin, realistisch wirkende Ausgaben zu erzeugen, die kaum von echten Daten zu unterscheiden sind.

2. Diskriminator. Diskriminatoren sind dekonvolutionelle neuronale Netze (DNN), das im Gegensatz zum CNN arbeitet. W盲hrend CNNs Merkmale aus Bildern extrahieren, analysiert der Diskriminator die generierten Daten und versucht, k眉nstliche Inhalte von echten zu unterscheiden. Sein Ziel ist es, zu erkennen, ob eine Eingabe vom Generator erzeugt oder aus realen Daten entnommen wurde.

Wettbewerbsbasierte Umgebung

Im Kontext von GANs beschreibt 鈥瀉dversarial鈥� die Trainingsumgebung 蹿眉谤 jedes neuronale Netzwerk (DNN und CNN).

W盲hrend des Trainings konkurrieren Generator- und Diskriminatornetzwerke in einem Bluffspiel miteinander. Der Generator erzeugt k眉nstliche Datenproben, beispielsweise gef盲lschte Bilder, um den Diskriminator dazu zu bringen, sie als authentisch zu akzeptieren. Daraufhin versucht der Diskriminator zu erkennen, welche Datenproben echte Bilder sind und welche nicht. Sie 眉ben dieses Spiel immer wieder und verbessern dabei jedes Mal ihre Rolle.聽

Generative vs. diskriminative Modelle

Angenommen, Sie haben diese Zeichenfolge einem diskriminativen Modell und einem generativen Modell bereitgestellt:聽

^ 鈱� ^ 鈱� ^ 鈱�

Ein generatives Modell kann vorhersagen, wie wahrscheinlich es ist, dass als n盲chstes in der Reihe ein Abw盲rtspfeil erscheint. Ein diskriminatives Modell kann entscheiden, welche Symbole nach oben und welche nach unten zeigen. Das generative Modell erkennt zwar auch, welche Pfeile in welche Richtung zeigen, geht aber in seiner Analyse noch einen Schritt weiter, indem es einer Symbolfolge eine Wahrscheinlichkeit zuordnet. Diskriminative Modelle konzentrieren sich stattdessen darauf, wie wahrscheinlich die Bezeichnungen 鈥瀗ach oben鈥� und 鈥瀗ach unten鈥� auf jedes Symbol zutreffen.

Arten von GANs

Forscher identifizieren weiterhin neue Anwendungsf盲lle 蹿眉谤 GANs und verbessern bestehende GAN-Techniken. Hier sind einige Beispiele 蹿眉谤 verschiedene GAN-Typen:

• CycleGAN. Generative Adversarial Networks konzentrieren sich auf Bild-zu-Bild-Konvertierungen. Der Trainingsdatensatz besteht aus zwei ungepaarten Datens盲tzen oder Bildgruppen ohne Beschriftungen oder Korrespondenzen. Das CycleGAN nutzt diese Informationen, um zu lernen, wie Bilder aus einem Satz in Bilder umgewandelt werden, die als zum anderen Satz geh枚rend durchgehen. Angenommen, Sie haben einem CycleGAN zwei Bilds盲tze bereitgestellt: einen mit Hauskatzen und einen mit Tigern. Die Ausgabe k枚nnte wie ein realistisches Bild einer Hauskatze mit Tigerstreifen aussehen. Oder umgekehrt k枚nnte ein Tiger in der Gr枚脽e einer Hauskatze dargestellt werden.

• Super-Resolution-GANs. SRGANs werden trainiert, um die Bildaufl枚sung zu erh枚hen, indem sie Details in unscharfe Bildbereiche einf眉gen. Dies erreichen sie mithilfe der Perceptual Loss Function, einer Technik, die den Unterschied zwischen den hochaufgel枚sten Wahrnehmungsmerkmalen zweier Bilder misst. Diese Technik erm枚glicht die Hochskalierung eines Bildes mit niedriger Aufl枚sung zu einem Bild mit hoher Aufl枚sung.

Vor- und Nachteile von GANs

Erfahren Sie mehr 眉ber GANs mit 糖心vlog官网观看

Wenn Sie neu im Bereich Machine Learning sind, sollten Sie 眉ber einen anf盲ngerfreundlichen Onlinekurs nachdenken.

Mit der Spezialisierung Machine Learning der Stanford University und DeepLearning.AI k枚nnen Sie in nur zwei Monaten lernen, Machine-Learning-Modelle zu erstellen und zu trainieren.

Wenn Sie bereits mit Machine-Learning-Modellen vertraut sind und mehr 眉ber GANs erfahren m枚chten, ist ein fortgeschrittenes Programm wie die Spezialisierung Generative Adversarial Networks (GANs) von DeepLearning.AI m枚glicherweise die richtige Wahl. Sie entwickeln im Zuge dieses Programms ein besseres Verst盲ndnis der GAN-Komponenten, vergleichen generative Modelle und erstellen mit PyTorch Ihre eigenen einfachen GANs.聽