जनरेटिव एडवरसैरियल नेटवर्क

समस्याओं को खत्म करने के लिए हमारे साधन का प्रयास करें

ऑपरेटिंग सिस्टम का चयन करें प्रक्षेपण का एक कार्यक्रम चुनें (वैकल्पिक रूप से)

अपनी समस्या का वर्णन करें

जनरेटिव एडवरसैरियल नेटवर्क (जीएएन), जिसे पहले इयान गुडफेलो एट अल द्वारा प्रस्तावित किया गया था। 2014 में, विशेष रूप से छवि संश्लेषण के लिए, जनरेटिव मॉडलिंग के लिए सबसे आशाजनक दृष्टिकोणों में से एक के रूप में उभरा है। अपने सबसे बुनियादी रूप में, वे दो प्रतिस्पर्धी नेटवर्क से मिलकर बने होते हैं: एक जनरेटर जो किसी दिए गए डेटा वितरण (जैसे, चित्र) के समान डेटा का उत्पादन करने की कोशिश करता है, और एक विवेचक जो भविष्यवाणी करता है कि उसके इनपुट वास्तविक डेटा वितरण से आते हैं या जनरेटर से, जनरेटर को तेजी से यथार्थवादी नमूने तैयार करने के लिए मार्गदर्शन करना क्योंकि यह भेदभाव करने वाले को अधिक प्रभावी ढंग से मूर्ख बनाना सीखता है। यह व्याख्यान इन मॉडलों के पीछे के सिद्धांत, उन्हें अनुकूलित करने में शामिल कठिनाइयों और बुनियादी ढांचे में सैद्धांतिक और अनुभवजन्य सुधारों पर चर्चा करता है। यह इस ढांचे के अन्य समस्या फॉर्मूलेशन (उदाहरण के लिए, CycleGAN), डोमेन (उदाहरण के लिए, वीडियो और भाषण संश्लेषण), और प्रतिनिधित्व सीखने के लिए उनके उपयोग (उदाहरण के लिए, VAE-GAN संकर, द्विदिश GAN) के लिए इस ढांचे के अत्याधुनिक अनुप्रयोगों पर भी चर्चा करता है। )

आसान निजी प्रोफ़ाइल दर्शक ट्विटर

नोट: इस व्याख्यान को मूल रूप से श्रृंखला में नंबर 11 के रूप में विज्ञापित किया गया था।

स्पीकर बायोस:

जेफ डोनह्यू डीपमाइंड में डीप लर्निंग टीम में एक शोध वैज्ञानिक हैं, जो वर्तमान में प्रतिकूल जनरेटिव मॉडल और असुरक्षित प्रतिनिधित्व सीखने पर ध्यान केंद्रित कर रहे हैं। उन्होंने BigGAN, BigBiGAN, DVD-GAN और GAN-TTS परियोजनाओं पर काम किया है। उन्होंने अपनी पीएच.डी. यूसी बर्कले में, डीईसीएएफ, आर-सीएनएन, और एलआरसीएन सहित परियोजनाओं के साथ दृश्य प्रतिनिधित्व सीखने पर ध्यान केंद्रित करते हुए, ऑब्जेक्ट डिटेक्शन और इमेज कैप्शनिंग जैसे पारंपरिक कंप्यूटर विज़न कार्यों के लिए गहरे दृश्य अभ्यावेदन को स्थानांतरित करने के कुछ शुरुआती अनुप्रयोग। बर्कले में रहते हुए उन्होंने कैफ डीप लर्निंग फ्रेमवर्क के विकास का सह-नेतृत्व भी किया, जिसे कंप्यूटर विज़न समुदाय में योगदान के लिए 2017 में मार्क एवरिंघम पुरस्कार से सम्मानित किया गया था।

मिहेला रोस्का डीपमाइंड में एक रिसर्च इंजीनियर हैं और यूसीएल में पीएचडी छात्र हैं, जो जनरेटिव मॉडल रिसर्च और प्रोबेबिलिस्टिक मॉडलिंग पर ध्यान केंद्रित कर रहे हैं, वेरिएबल इंट्रेंस से लेकर जनरेटिव एडवरसैरियल नेटवर्क और रीइन्फोर्समेंट लर्निंग तक। डीपमाइंड में शामिल होने से पहले, उन्होंने प्राकृतिक भाषा प्रसंस्करण कार्यों को हल करने के लिए गहन शिक्षण का उपयोग करने पर Google के लिए काम किया। उन्होंने इम्पीरियल कॉलेज लंदन से कम्प्यूटिंग में MEng किया है।

व्याख्यान श्रृंखला के बारे में:

डीप लर्निंग लेक्चर सीरीज डीपमाइंड और यूसीएल सेंटर फॉर आर्टिफिशियल इंटेलिजेंस के बीच एक सहयोग है। पिछले एक दशक में, डीप लर्निंग अग्रणी कृत्रिम बुद्धिमत्ता प्रतिमान के रूप में विकसित हुआ है, जो हमें अभूतपूर्व सटीकता और पैमाने पर कच्चे डेटा से जटिल कार्यों को सीखने की क्षमता प्रदान करता है। डीप लर्निंग को ऑब्जेक्ट रिकग्निशन, स्पीच रिकग्निशन, स्पीच सिंथेसिस, फोरकास्टिंग, साइंटिफिक कंप्यूटिंग, कंट्रोल और कई अन्य समस्याओं पर लागू किया गया है। परिणामी अनुप्रयोग स्वास्थ्य देखभाल और चिकित्सा अनुसंधान, मानव-कंप्यूटर संपर्क, संचार, परिवहन, संरक्षण, निर्माण और मानव प्रयास के कई अन्य क्षेत्रों जैसे क्षेत्रों में हमारे सभी जीवन को छू रहे हैं। इस विशाल प्रभाव की मान्यता में, 2019 ट्यूरिंग अवार्ड, कंप्यूटिंग में सर्वोच्च सम्मान, डीप लर्निंग के अग्रदूतों को प्रदान किया गया।

इस व्याख्यान श्रृंखला में, अग्रणी एआई अनुसंधान प्रयोगशाला, डीपमाइंड के अनुसंधान वैज्ञानिक, डीप लर्निंग में विषयों के रोमांचक चयन पर 12 व्याख्यान देते हैं, जिसमें स्मृति, ध्यान और जनरेटिव मॉडलिंग के आसपास उन्नत विचारों के माध्यम से तंत्रिका नेटवर्क के प्रशिक्षण के मूल सिद्धांतों से लेकर महत्वपूर्ण तक शामिल हैं। जिम्मेदार नवाचार का विषय।

#ध्यान लगा के पढ़ना या सीखना

www.youtube.com