O Guia Completo sobre GANs Redes Adversarias Generativas

O Guia Completo sobre GANs Redes Adversarias Generativas

What you’ll learn

Entenda a intuição básica sobre as GANs
Gerar imagens de dígitos (0 – 9) utilizando DCGAN e WGAN
Transformar imagens de satélites em mapas utilizando a arquitetura Pix2Pix
Transformar zebras em cavalos utilizando a arquitetura CycleGAN
Transferir estilos entre imagens
Aplicar super resolução para melhorar a qualidade de imagens utilizando a arquitetura ESRGAN
Criar novos rostos de pessoas com alta qualidade e definição utilizando ProGAN e StyleGAN
Gerar imagens por meio de descrições textuais
Restaurar fotos antigas utilizando GFP-GAN
Completar partes faltantes de imagens utilizando a arquitetura Boundless
Gerar deepfakes para trocar rostos com SimSwap

Requirements

Lógica de programação
Programação básica em Python
Conhecimentos sobre redes neurais são desejáveis, porém não obrigatórios

Description

As GANs (Generative Adversarial Networks – Redes Adversárias Generativas) são consideradas uma das tecnologias mais modernas e fascinantes dentro da área de Deep Learning e Visão Computacional. Elas tem ganhado bastante destaque na mídia por terem a característica de gerarem conteúdo falso (fake). Um dos exemplos mais clássicos é a utilização de pessoas que não existem no mundo real para transmitirem telejornais e lerem as notícias, ou seja, a GAN consegue criar uma pessoa para falar com o telespectador. Essa tecnologia é considerada uma revolução na área de Inteligência Artificial por produzir resultados de alta qualidade, mantendo-se como um dos temas mais populares e relevantes.Para levar você até essa área, neste curso você terá uma visão teórica básica e principalmente prática sobre as principais e mais modernas arquiteturas de GANs! Este curso é considerado um guia completo pelo fato de apresentar desde conceitos mais básicos até técnicas mais modernas e avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir seus próprios projetos! Veja abaixo alguns dos projetos que serão implementados passo a passo:Geração dos dígitos de 0 até 9Transformação de imagens de satélite em imagens no formato de mapas, no estilo do Google MapsTransformação de desenhos (ou somente rabiscos) em fotos de alta qualidadeGerar zebras utilizando images de cavalosTransferir estilos entre imagens, utilizando pinturas de artistas famosos como Van Gogh, Cezanne e Ukiyo-eAumentar a resolução de imagens com baixa qualidade (super resolução)Gerar deepfakes (faces falsas) com alta qualidade Gerar imagens de gatos e carros que não existem no mundo realCriar imagens por meio de descrições textuaisRestaurar fotos antigasCompletar partes faltantes de imagensTrocar o rosto de pessoas que estão em ambientes diferentesPara implementar esses projetos, você aprenderá várias arquiteturas diferentes de GANs, como por exemplo: DCGAN (Deep Convolutional Generative Adversarial Network), WGAN (Wassertein GAN), WGAN-GP (Wassertein GAN-Gradient Penalty), cGAN (conditional GAN), Pix2Pix (Image-to-Image), CycleGAN (Cycle-Consistent Adversarial Network), SRGAN (Super Resolution GAN), ESRGAN (Enhanced Super Resolution GAN), ProGAN (Progressively Growing GAN), StyleGAN (Style-Based Generator Architecture for GANs), StackGAN (Stacked GANs), AttnGAN (Fine-Grained Text to Image Generation with Attentional GANs), BigGAN, GFP-GAN (Generative Facial Prior GAN), GAN ilimitada (Boundless) e SimSwap (Simple Swap).Durante o curso, vamos utilizar a linguagem de programação Python e o Google Colab on-line, ou seja, você não precisa se preocupar com instalações e configurações de bibliotecas na sua própria máquina! São mais de 110 aulas e 16 horas de vídeos!

Overview

Section 1: Introdução

Lecture 1 Conteúdo do curso

Lecture 2 Introdução à GANs

Lecture 3 Funcionamento básico

Lecture 4 Mais sobre Visão Computacional

Lecture 5 Recursos para download

Section 2: DCGAN e WGAN

Lecture 6 DCGAN – intuição

Lecture 7 Base de dados MNIST

Lecture 8 Construção do gerador

Lecture 9 Construção do discriminador

Lecture 10 Cálculo do erro

Lecture 11 Função para treinamento

Lecture 12 Visualização dos resultados

Lecture 13 EXERCÍCIO e solução

Lecture 14 WGAN – intuição 1

Lecture 15 WGAN – intuição 2

Lecture 16 WGAN-GP – intuição

Lecture 17 Preparação do ambiente

Lecture 18 Wassertein loss

Lecture 19 Gradient penalty

Lecture 20 Treinamento

Lecture 21 Treinamento e visualização

Lecture 22 EXERCÍCIO e solução

Section 3: cGAN – Pix2Pix e CycleGAN

Lecture 23 cGAN – intuição

Lecture 24 Pix2Pix – intuição

Lecture 25 Base de dados de mapas

Lecture 26 Pré-processamento das imagens 1

Lecture 27 Pré-processamento das imagens 2

Lecture 28 Carregamento dos dados

Lecture 29 Construção do gerador 1

Lecture 30 Construção do gerador 2

Lecture 31 Construção do gerador 3

Lecture 32 Construção do discriminador 1

Lecture 33 Construção do discriminador 2

Lecture 34 Geração das imagens dos mapas

Lecture 35 Treinamento 1

Lecture 36 Treinamento 2

Lecture 37 Visualização dos resultados

Lecture 38 Pix2Pix pré-treinada com PyTorch

Lecture 39 Base de dados de fachadas

Lecture 40 Visualização dos resultados

Lecture 41 Desenho para foto 1

Lecture 42 Desenho para foto 2

Lecture 43 Dia para noite

Lecture 44 EXERCÍCIO e solução

Lecture 45 CycleGAN – intuição

Lecture 46 Bases de dados de maçãs e laranjas

Lecture 47 Pré-processamento

Lecture 48 Carregamento das imagens

Lecture 49 Gerador e discriminador

Lecture 50 Função de perda

Lecture 51 Otimizadores e checkpoint

Lecture 52 Função para o treinamento

Lecture 53 Treinamento e resultados

Lecture 54 CycleGAN pré-treinada com PyTorch

Lecture 55 Cavalo para zebra

Lecture 56 Transferência de estilo

Lecture 57 Estilos de Van Gogh, Cezanne e Ukiyo-e

Lecture 58 EXERCÍCIO e solução

Section 4: SRGAN e ESRGAN

Lecture 59 SRGAN – intuição

Lecture 60 ESRGAN – intuição

Lecture 61 Modelo pré-treinado

Lecture 62 Imagens de teste

Lecture 63 Super resolução

Lecture 64 Avaliação do resultado – PSNR

Lecture 65 Melhorando os resultados

Lecture 66 EXERCÍCIO e solução

Section 5: ProGAN e StyleGAN

Lecture 67 ProGAN – intuição

Lecture 68 Modelo pré-treinado

Lecture 69 Geração de faces de pessoas

Lecture 70 Transformação de rostos 1

Lecture 71 Transformação de rostos 2

Lecture 72 EXERCÍCIO e solução

Lecture 73 StyleGAN – intuição

Lecture 74 Importação das bibliotecas

Lecture 75 Modelo pré-treinado

Lecture 76 Geração das imagens

Lecture 77 Visualização dos resultados

Lecture 78 Transformação de rostos

Lecture 79 Geração de gatos e carros

Lecture 80 EXERCÍCIO e solução

Section 6: StackGAN – texto para imagem

Lecture 81 StackGAN – intuição

Lecture 82 Modelo pré-treinado

Lecture 83 Encoder e legendas

Lecture 84 Visualização dos resultados

Lecture 85 Geração de imagens de pássaros

Lecture 86 EXERCÍCIO e solução

Section 7: Outras aplicações e tipos de GANs

Lecture 87 BigGAN para várias categorias

Lecture 88 Modelo pré-treinado

Lecture 89 Carregamento das categorias

Lecture 90 Geração das imagens

Lecture 91 Interpolação entre imagens

Lecture 92 GFP-GAN para restauração de fotos antigas

Lecture 93 Modelo pré-treinado

Lecture 94 Restauração de fotos

Lecture 95 Boundless para extensão de imagens

Lecture 96 Processamento da imagem

Lecture 97 Visualização dos resultados

Lecture 98 SimSwap para deepfake

Lecture 99 Modelo pré-treinado

Lecture 100 Troca de rostos

Lecture 101 Adicional: GANs em vídeos

Section 8: Anexo 1: Redes neurais artificiais

Lecture 102 Fundamentos biológicos

Lecture 103 Perceptron de uma camada

Lecture 104 Redes multicamada – função soma e função de ativação

Lecture 105 Redes multicamada – cálculo do erro

Lecture 106 Descida do gradiente

Lecture 107 Cálculo do parâmetro delta

Lecture 108 Ajuste dos pesos com backpropagation

Lecture 109 Bias, erro, descida do gradiente estocástica e mais parâmetros

Section 9: Anexo 2: Redes neurais convolucionais

Lecture 110 Introdução à redes convolucionais 1

Lecture 111 Introdução à redes convolucionais 2

Lecture 112 Etapa 1 – operador de convolução (introdução)

Lecture 113 Etapa 1 – operador de convolução (cálculo)

Lecture 114 Etapa 2 – pooling

Lecture 115 Etapa 3 – flattening

Lecture 116 Etapa 4 – rede neural densa

Section 10: Considerações finais

Lecture 117 Considerações finais

Lecture 118 AULA BÔNUS

Pessoas interessadas em criar aplicações complexas utilizando GANs,Alunos de graduação e pós-graduação que estão cursando disciplinas sobre Visão Computacional, Inteligência Artificial, Processamento Digital de Imagens ou Computação Gráfica,Pessoas que querem implementar seus próprios projetos utilizando técnicas de Visão Computacional,Cientistas de Dados que queiram aumentar o seu portfólio de projetos

Course Information:

Udemy | Português | 16h 44m | 6.90 GB
Created by: Jones Granatyr

You Can See More Courses in the Developer >> Greetings from CourseDown.com