Читать книгу Deep Learning illustriert - Jon Krohn - Страница 44

Wir haben in diesem Kapitel GANs vorgestellt und erläutert, dass dieser Deep-Learning-Ansatz außergewöhnlich anspruchsvolle Repräsentationen in seinen latenten Räumen kodieren kann. Diese reichen visuellen Darstellungen erlauben es GANs, neuartige Bilder mit speziellen, künstlerischen Stilen herzustellen. Die Ausgaben der GANs sind nicht nur rein ästhetisch, sondern können auch einen praktischen Nutzen haben. Sie können zum Beispiel Daten zum Trainieren autonomer Fahrzeuge simulieren, das Prototyping in den Bereichen Mode und Architektur beschleunigen und die Fähigkeiten kreativer Menschen ganz beträchtlich erweitern.²²

Wenn wir dann die notwendige Deep-Learning-Theorie behandelt haben, werden Sie in Kapitel 12 selbst ein GAN konstruieren, um Skizzen aus dem Quick, Draw!-Datensatz (vorgestellt am Ende von Kapitel 1) zu imitieren. In Abbildung 3–9 erhalten Sie schon einmal einen Eindruck davon, was dann möglich ist.

Abb. 3–9Neue »handgezeichnete« Bilder von Äpfeln, erzeugt von der GAN-Architektur, die wir gemeinsam in Kapitel 12 entwickeln werden. Mithilfe dieses Ansatzes können Sie maschinengezeichnete »Skizzen« aus den vielen hundert Kategorien des »Quick, Draw!«-Spiels herstellen.