Pielāgotā ģeneratīvā pretestības tīkls
Pielāgotais Ģeneratīvais Pretestības Tīkls (GAN) sākas no liela iepriekš apmācīta ģeneratīvā pretestības tīkla un turpina pretestības apmācību uz mazāka mērķa datu kopuma, ļaujot modelim sintezēt augstas kvalitātes paraugus jaunā domēnā, netērējot laiku apmācībai no nulles. Šī pārsūtīšanas pieeja dramatiski samazina datu un aprēķinu prasības, vienlaikus saglabājot bagātīgās iezīmju reprezentācijas, kas apgūtas iepriekšējās apmācības laikā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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. link ↗
- Mo, S., Cho, M., & Shin, J. (2020). Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs. CVPR 2020 Workshop on AI for Content Creation. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/lv/deep-learning/fine-tuned-generative-adversarial-network
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.
- Fine-Tuned konvolucionālais neironu tīklsDziļā mācīšanās↔ compare
- Pielāgots difūzijas modelisDziļā mācīšanās↔ compare
- Pielāgots Variācijas AutoenkodersDziļā mācīšanās↔ compare
- Pielāgotais Vision TransformerDziļā mācīšanās↔ compare
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Pārneses mācīšanās GANDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →