在進行監督式深度學習(supervised deep learning)的模型訓練時,資料工程師往往必須準備大量人工辨識好的標籤(labeling)資料才能用於訓練神經網路的辨識模型。例如,通常神經網路要先解析數萬張要辨識物件的照片,才能從中學習如何辨識,這需要資料工程師事先仔細在每張照片上標示物件的內容,這些照片才能用於訓練神經網路,這是一項耗時又耗勞力的工作,每每造成資料工程師的極大困擾。於2016年,Ian J. Goodfellow提出生成對抗網路(GAN: Generative Adversarial Nets)的設計方法。此方法在神經網路的訓練上可大幅減少人力的介入,排除了目前阻礙人工智慧發展的障礙,瞬間成為所有專家討論的議題。Facebook的人工智慧研究專家 Yann LeCun說GAN是”the most interesting idea in the last 10 years in machine learning.”。

GAN的設計理念是訓練兩個相互競爭的神經網路:偽資料產生器(Generator)及資料辨識器(Discriminator):偽資料產生器學習產生很多逼近真實的資料,企圖欺騙資料辨識器;而資料辨識器不斷學習增強自己真實資料的辨識能力以便對抗偽資料產生器的欺騙,就這樣偽資料產生器可產生出許多以假亂真的資料,這些資料即可彌補我們訓練時真實資料的不足,大幅減少資料工程師準備訓練資料的負擔;而且,資料辨識器也可同時完成對等的訓練。此外在許多應用上,還可利用偽資料產生器產出許多異想不到的資料,增加深度學習訓練的廣度,模擬未想像到的虛實情況,增強虛擬幻想的面相。

本課程細說生成對抗網路的設計理念及應用,結合深度學習技術並使用TensorFlow設計,以實例說明其原理及應用方法,使學員能夠快速上手生成對抗網路的應用。

立即報名

6/28前報名即享早鳥優惠 8400 元 2018/06/11 00:00 ~ 2018/06/29 00:00 報名截止

本課程由 iiieduites 發佈

課程問答

我要提問

對課程有任何問題,都歡迎在這裡向開課單位提問

相關課程

0 人收藏

資策會 數位教育研究所 - 資訊技術訓練中心 台中教室 資策會 數位教育研究所 - 資訊技術訓練中心 台中教室

0 人收藏

資策會 數位教育研究所 - 資訊技術訓練中心 台中教室 資策會 數位教育研究所 - 資訊技術訓練中心 台中教室