در حال حاضر محصولی در سبد خرید شما وجود ندارد.
نسل تصویر عکاسی با پایتون و Tensorflow 2.0
عنوان اصلی : High Resolution Generative Adversarial Networks (GANs)
سرفصل های دوره :
مقدمه:
معرفی
اسطوره ها درباره گان ها و حقیقت در مورد آنچه که واقعا هستند
معماری:
ژنراتور - سطح بالا
ژنراتور - جزئیات
تبعیض آمیز - سطح بالا
discriminator - جزئیات
مقیاس وزن:
نظریه
conv2d
متراکم
LACHYRELU
resampling:
تئوری resampling
تئوری تار
BRISHING CODE
Resampling Code
Resampling ترکیبی + Convolution:
نظریه
Downsampling Code
کد Upsampling
انحراف استاندارد Minibatch:
نظریه
کد
pixelnorm و تبدیل تصویر:
نظریه عادی سازی پیکسل
Pixelise کد عادی
تبدیل تصویر
کد مدل:
ژنراتور
تبعیض آمیز
مرحله از دست دادن و آموزش:
مرور آموزش سطح بالا
چرا از دست دادن Wasserstein به قطعنامه های بالا نمی رسد
تئوری از دست دادن R2
نظریه تنظیم مجدد تنبل
کد تابع مرحله
با استفاده از یک TPU با یک استراتژی توزیع شده:
نظریه
مثال ساده
راهنمایی
توزیع حلقه آموزش ما
پشتیبانی از callbacks:
فراخوانی از حلقه آموزش
Callback Visualization - مقدمه
تجسم Callback - ژنراتور تجسم
Callback Visualization - Callback خود
Checkboint Callback - Overview
Callback Callback - CheckPointer
Callback Callback - سریال سازی
Callback Callback - ترشی کردن آموزش
آموزش:
DataSet
گزینه ها
Train () تابع
اسکریپت آموزش اصلی
آموزش اصلی آموزش اسکریپت
آموزش در کواب
BFLOAT16
تولید تصاویر:
فیلتر طول مسیر ادراکی - نظریه
فیلتر طول مسیر ادراکی - کد
فیلتر طول مسیر ادراکی - اثر بر روی تنوع
Script نسل اصلی تصویر
interpolations - نقطه به نقطه
interpolations - دایره ای
بسته بندی کردن:
ایجاد tfrecords
نتیجه گیری
High Resolution Generative Adversarial Networks (GANs)
در این روش نیاز به افزودن محصول به سبد خرید و تکمیل اطلاعات نیست و شما پس از وارد کردن ایمیل خود و طی کردن مراحل پرداخت لینک های دریافت محصولات را در ایمیل خود دریافت خواهید کرد.