ورودی z در شبکه های GAN

Question

با سلام
یه سوال داشتم. من یه سری بردار دارم و می خوام یه سری بردار دیگه شبیه اونا generate کنم. آیا توی این کار باید ورودی z به generator رو یک نقطه در نظر بگیرم؟ برای generate کردن تصویر ما z رو یک بردار در نظر میگیریم.

Answer 1

لیست کاملی از پروژه های مرتبط انجام شده در این زمینه را می توانید از لینک زیر بیابید
the-gan-zoo - A list of all named GANs!

https://github.com/hindupuravinash/the-gan-zoo

Answer 2

سلام وقت بخیر
ببنید در شبکه های Generative Adversarial Network همونطور ک در مثالهای اولیه اش ک روی mnist اصولا بیان میشه اگر خوب دقت کنید خودش هم اول بصورت vector و 1784 آن را در نظر میگیرد و سپس در ادامه استایل شبکه را به گونه ای تنظیم میکند که با تنظیم لایه های شبکه generative بتواند فضای برداری مورد نظر (مثلا عکس 2828) را تولید کند و در کل ما با بردار عددی کار میکنیم. و فکر نمیکنم تغییر خاصی نیاز داشته باشید
حال اگر به کد ذیل ک با SLIM اتفاقا پیاده شده و به نسبت سطح بالا هست و خیلی درگیر جزئیات نشده و بنظرم برای دیدکلی پاسخ سوال مفید باشد نگاهی بیاندازید تقریبا مواردی ک گفتم را پوشش میدهد. البته بازم نیاز به تفکر بیشتر در خصوص پیاده سازی و چینش و طراحی شبکه ها هست. فقط در تولید z چند نکته در نظر داشته باشید ک نکته بارزش طبق مقالات اینگونه مطرح میشود ک از توزیع گوسی سعی کنید استفاده کنید.

def generative(z):
  h1 = slim.fully_connected(z, 128, activation_fn=tf.nn.relu)
  x = slim.fully_connected(h1, 784, activation_fn=tf.sigmoid)
  return x

موفق و موید باشید/.