یادگیری انتقالی GAN
یادگیری انتقالی GAN یک شبکه مولد تخاصمی (GAN) — یا هر دو مولد و ممیز آن — را از وزنهای از پیش آموزشدیده بر روی یک مجموعه داده منبع بزرگ مقداردهی اولیه میکند، سپس شبکه را بر روی یک مجموعه داده هدف کوچکتر تنظیم دقیق میکند. این رویکرد امکان مدلسازی مولد با کیفیت بالا را حتی زمانی که دادههای دامنه هدف کمیاب هستند، با استفاده مجدد از نمایش ویژگیهای سطح پایین و میانی که در مقیاس آموخته شدهاند، فراهم میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A. & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27, 2672–2680. link ↗
- Wang, Y. & Ramanan, D. (2018). Transferring GANs: generating images from limited data. European Conference on Computer Vision (ECCV), 11205, 220–236. DOI: 10.1007/978-3-030-01231-1_14 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/fa/deep-learning/transfer-learning-gan
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- گَن سازگار با دامنه (Domain-Adaptive GAN)یادگیری عمیق↔ compare
- شبکه مولد تخاصمی تنظیمشده (Fine-Tuned Generative Adversarial Network)یادگیری عمیق↔ compare
- شبکه مولد تخاصمییادگیری عمیق↔ compare
- یادگیری انتقالی با شبکههای عصبی کانولوشنییادگیری عمیق↔ compare
- یادگیری انتقالی با مدل انتشارییادگیری عمیق↔ compare
- Variational Autoencoderیادگیری عمیق↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →