Спасибо огромное за такое понятное и структурированное объяснение, контента лучше в открытом доступе не найти! Действительно, за такой титанический труд нужно памятник при жизни ставить! Сейчас все большую популярность для генерации изображений/видео набирают диффузные модели. Подскажите, есть ли в планах создание ролика по данной тематике? Очень бы хотелось послушать именно Ваше объяснение
Единственные пробел в знаниях на момент окончания курса, который я заметил - это пробел в знания библиотеки matplotlib XD Всё понятно кроме этой библиотеки, но с учётом того, что разбор данной библиотеки есть на этом канале. Думаю пробел в знаниях будет устранён. Спасибо за материал!)
Здравствуйте. У меня вопрос, как сделать реалистичное изображение? Я переделал ваш код на гитхаб, теперь данные для обучения CIFAR-10. И я не могу разобраться, как сделать реалистичные картинки? Если это нужно, я работаю в гугл колаб GPU t4.
Можно вопрос? А разве если на дискриминатор подавать только выход генератора (или реальное изображение), не получится ли такая ситуация, при которой генератор будет генерировать всегда одно и то же изображение, независимо от его входа? Насколько я понимаю, дискриминатор также должен получать на вход помимо изображения генератора ещё и входные данные, которые получил генератор на вход для генерации этого изображения. Точно также и с реальными данными - на вход дискриминатора стоит подавать как реальное изображение, так и вход, которому соответствует это реальное изображение
Спасибо за лекцию. Возник вопрос: а что именно значит "показатель качества должен быть максимален для сгенерированных изображений"? loss_dis_fake мы стремимся сделать меньше, а loss_dis считается на основе реального и фейкового изображения сразу, а не по отдельности. Ну или как именно выглядит показатель качества для сгенерированных изображений, раз уж мы стремимся сделать его максимальным?
loss_dis = loss_dis_fake+loss_dis_true и используется в дискриминаторе loss_gen используется в генераторе то что показатель качества должен быть максимален для сгенерированных изображений означает, что для генератора мы хотим, чтобы дискриминатор выдал единицу, на чем и основывается loss_gen. (Если я правильно все понял)
конкретно по GAN - интернет + собственный опыт, а по нейронкам, как введение: 1. Хайекен. Нейронные сети (полный курс), 2. Bishop Neural networks for pattern recognition
@@selfedu_rus Блин, эти железяки совсем уже страх потеряли. Но если начнется война, пусть они знают, что пересматривая Терминатора я всегда был на стороне Скайнет.
@@selfedu_rus Получается как в шпионских фильмах, можно будет прочитать надпись на бумажке которую плохо видно. Более того, другая нейронка прочитает ее, да еще и голосом твоего любимого актера))
@@dubinin_s "Получается как в шпионских фильмах, можно будет прочитать надпись на бумажке которую плохо видно" - в любом случае, когда информация изначальная потеряна, то результат будет считаться ДОГАДКОЙ, но не ИСТИНОЙ.
![[DeepLearning | видео 1] Что же такое нейронная сеть?](http://i.ytimg.com/vi/RJCIYBAAiEI/mqdefault.jpg)
Вам при жизни памятник надо поставить за Вашу работу! Спасибо!
К нему не зарастёт народная тропа.
Очень доступно объяснено, спасибо
Спасибо огромное за такое понятное и структурированное объяснение, контента лучше в открытом доступе не найти! Действительно, за такой титанический труд нужно памятник при жизни ставить!
Сейчас все большую популярность для генерации изображений/видео набирают диффузные модели. Подскажите, есть ли в планах создание ролика по данной тематике? Очень бы хотелось послушать именно Ваше объяснение
Единственные пробел в знаниях на момент окончания курса, который я заметил - это пробел в знания библиотеки matplotlib XD Всё понятно кроме этой библиотеки, но с учётом того, что разбор данной библиотеки есть на этом канале. Думаю пробел в знаниях будет устранён. Спасибо за материал!)
Я в восторге от ваших курсов! Спасибо!
А почему вы не просите донат? Сейчас ведь все так делают? Или вы богаты?
Спасибо!
Красава!
Здравствуйте. У меня вопрос, как сделать реалистичное изображение? Я переделал ваш код на гитхаб, теперь данные для обучения CIFAR-10. И я не могу разобраться, как сделать реалистичные картинки? Если это нужно, я работаю в гугл колаб GPU t4.
Можно вопрос? А разве если на дискриминатор подавать только выход генератора (или реальное изображение), не получится ли такая ситуация, при которой генератор будет генерировать всегда одно и то же изображение, независимо от его входа? Насколько я понимаю, дискриминатор также должен получать на вход помимо изображения генератора ещё и входные данные, которые получил генератор на вход для генерации этого изображения. Точно также и с реальными данными - на вход дискриминатора стоит подавать как реальное изображение, так и вход, которому соответствует это реальное изображение
Спасибо, все понятно.
i realize I am kind of randomly asking but does anybody know of a good website to stream newly released series online ?
@Zane Jimmy i watch on FlixZone. You can find it by googling =)
@Jaxon Jerry Yea, been watching on flixzone for since april myself :D
@Jaxon Jerry Thanks, signed up and it seems like they got a lot of movies there :D Appreciate it !!
@Zane Jimmy Happy to help xD
Спасибо за лекцию. Возник вопрос: а что именно значит "показатель качества должен быть максимален для сгенерированных изображений"? loss_dis_fake мы стремимся сделать меньше, а loss_dis считается на основе реального и фейкового изображения сразу, а не по отдельности. Ну или как именно выглядит показатель качества для сгенерированных изображений, раз уж мы стремимся сделать его максимальным?
loss_dis = loss_dis_fake+loss_dis_true и используется в дискриминаторе
loss_gen используется в генераторе
то что показатель качества должен быть максимален для сгенерированных изображений означает, что для генератора мы хотим, чтобы дискриминатор выдал единицу, на чем и основывается loss_gen. (Если я правильно все понял)
Cпасибо! 5+
Не могли бы указать список литературы, которую используете в курсе?
конкретно по GAN - интернет + собственный опыт, а по нейронкам, как введение: 1. Хайекен. Нейронные сети (полный курс), 2. Bishop Neural networks for pattern recognition
На сколько я понял, GAN можно использовать не только для создания реалистичных изображений, но и для звука.
да, для чего угодно!
Спасибо за видео. Скажите, пример где машины едут по улице - это реальный пример?
да, все примеры реальные и это еще далеко не все возможности, эти сети вообще творят чудеса! )
@@selfedu_rus Блин, эти железяки совсем уже страх потеряли. Но если начнется война, пусть они знают, что пересматривая Терминатора я всегда был на стороне Скайнет.
@@selfedu_rus Получается как в шпионских фильмах, можно будет прочитать надпись на бумажке которую плохо видно. Более того, другая нейронка прочитает ее, да еще и голосом твоего любимого актера))
@@dubinin_s "Получается как в шпионских фильмах, можно будет прочитать надпись на бумажке которую плохо видно" - в любом случае, когда информация изначальная потеряна, то результат будет считаться ДОГАДКОЙ, но не ИСТИНОЙ.
@@ValstanSav Как показали предыдущие видео, с ДОГАДКАМИ у нейронок все в порядке))
21102024
Спасибо!
Спасибо!
Спасибо!