Pārneses mācīšanās GAN
Pārneses mācīšanās GAN inicializē ģeneratīvo pretestības tīklu — vai nu tā ģeneratoru un diskriminatoru — no svariem, kas iepriekš apmācīti lielā avota datu kopā, pēc tam precizē tīklu mazākā mērķa datu kopā. Šī pieeja nodrošina augstas kvalitātes ģeneratīvo modelēšanu pat tad, ja mērķa domēnas dati ir reti, atkārtoti izmantojot zema un vidēja līmeņa elementu attēlojumus, kas apgūti lielā mērogā.
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, 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Transfer Learning with Generative Adversarial Networks. ScholarGate. https://scholargate.app/lv/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.
- Adaptīvs domēna GANDziļā mācīšanās↔ compare
- Pielāgotā ģeneratīvā pretestības tīklsDziļā mācīšanās↔ compare
- Generatīvais Adversariālais TīklsDziļā mācīšanās↔ compare
- Pārneses apmācība ar konvolucionālo neironu tīkluDziļā mācīšanās↔ compare
- Pārsūtīšanas apmācība ar difūzijas modeliDziļā mācīšanās↔ compare
- Variacionālais autoenkodersDziļā mācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →