登入首頁
收藏 0
返回課程
藝術生成---對抗式生成網路GAN 與dall-e whichfaceisreal操作
  • AI人工智慧
  • AI簡介
  • 加入課程請答有
  • LLM?
  • LLM簡介之一
  • LLM簡介之二
  • Anaconda Py3.13 裝不了 PyTorch CUDA?Ultralytics YOLO 完整避坑與 GPU 加速實測
  • 分組
  • 生物視覺&機器視覺
  • AI人工智慧 課程說明
  • AI人工智慧 生物視覺 機器視覺1
  • 機器視覺 與haarcascades偵測人臉與眼睛
  • 機器視覺ILSVRC競賽之後(923)
  • AI人工智慧生物視覺機器視覺
  • 深度學習的史詩
  • 電腦如何學會「看」?從生物神經元到 CNN 的 AI 演進史
  • 自然語言處理
  • 自然語言處理 Natural language Processing簡介
  • Natural language Processing、字詞向量與 TTS之一(930)
  • Natural language Processing、字詞向量與 TTS之二
  • 展示詞嵌入Word Embeddings& TTS.ipynb
  • 自然語言處理NLP之cos相似度實作,貓狗居然87.5分像etc
  • NLP 經典實作:king-man+woman=?
  • Clip簡介
  • CLIP與零樣本視覺
  • clip.ipynb
  • ex1
  • 不用訓練就能辨識狗種?OpenAI CLIP 零樣本學習 Python 實測
  • 藝術生成 & 對抗生成式網路GAN與其他......
  • 藝術生成---對抗式生成網路GAN 與dall-e whichfaceisreal操作
  • 對抗式生成式AI GAN與相關軟體操作(穿插Stable diffusion)
  • 藝術生成 Stable Diffusion與Denoising Diffusion Model
  • AI機器學習與Stable Diffusion操作
  • stable_diffusion_3.5.ipynb
  • Colab上使用hugging face上的stable
  • 免費版Colab上使用hugging face上的stable diffusion 3.5
  • 神經網路
  • Keras實作神經網路模型之1 mnist手寫數字
  • AI機器學習Keras淺層神經網路辨識mnist手寫數字
  • Keras實作神經網路模型
  • 神經網路模型之一 從感知器到神經網路
  • 神經網路模型(Keras版).ipynb
  • 神經網路模型(Pytorch version).ipynb
  • PyTorch深度學習解密手寫數字
  • ex2
  • Pytorch實作神經網路辨識mnist手寫數字
  • 機器學習的幾個常用函數
  • ML常用的activation函數初探與pyplot繪圖
  • 多神經網路模型之二與numpy計算softmax
  • Loss函數 cross entropy 與梯度下降
  • 重點
  • 討論 (3)
  • 筆記
發表時間 : 2026-10-14 12:54
觀看次數 : 56
原始資料來自 : https://www.youtube.com/embed/YmZRZtfWn6M?si=DFuzdxXgyk-VHuLw
附件
討論功能僅開放給課程成員,請先加入課程
最新的回應 ...more
10-14
M11433002 : GAN(生成對抗網路) 就像是一場「造假集團」與「警察」的貓捉老鼠遊戲: 生成器(造假者): 負責憑空創造假資料(如假照片、假聲音),一開始畫得很爛,但目標是想盡辦法「騙過警察」。 鑑別器(警察): 負責分辨拿到的資料到底是「真的」還是「假的」。 兩個 AI 互相競爭、互相學習:造假技術越來越厲害,警察的眼光也越來越刁鑽。最後,造假者就能做出幾可亂真的完美成品。
10-14
M11433005 : GAN(Generative Adversarial Network,生成對抗網路) 是一種人工智慧模型,由兩個神經網路互相競爭、共同學習,進而產生新的資料,例如圖片。 GAN 主要包含兩個部分: 1. 生成器(Generator):負責產生假的資料,例如 AI 生成的人物圖片。 2. 判別器(Discriminator):負責判斷資料是真實的,還是由生成器產生的。 簡單來說: 生成器努力製作出以假亂真的圖片,判別器則努力辨別真假,兩者不斷對抗與學習,讓生成的結果越來越逼真。
安文
什麼叫做GAN?
10-14 1 樓
M11433005
GAN(Generative Adversarial Network,生成對抗網路) 是一種人工智慧模型,由兩個神經網路互相競爭、共同學習,進而產生新的資料,例如圖片。
GAN 主要包含兩個部分:
1. 生成器(Generator):負責產生假的資料,例如 AI 生成的人物圖片。
2. 判別器(Discriminator):負責判斷資料是真實的,還是由生成器產生的。
簡單來說: 生成器努力製作出以假亂真的圖片,判別器則努力辨別真假,兩者不斷對抗與學習,讓生成的結果越來越逼真。
10-14 2 樓
M11433002
GAN(生成對抗網路) 就像是一場「造假集團」與「警察」的貓捉老鼠遊戲:
生成器(造假者): 負責憑空創造假資料(如假照片、假聲音),一開始畫得很爛,但目標是想盡辦法「騙過警察」。
鑑別器(警察): 負責分辨拿到的資料到底是「真的」還是「假的」。
兩個 AI 互相競爭、互相學習:造假技術越來越厲害,警察的眼光也越來越刁鑽。最後,造假者就能做出幾可亂真的完美成品。
10-14 3 樓
D11333032
GAN(Generative Adversarial Network)中文叫做「生成對抗網路」,是一種人工智慧生成技術,主要用來生成圖片、人物臉孔、影片畫面,以及改善影像品質。
10-14 1 樓
d11333006
GAN 就是一種讓兩個 AI 互相對抗學習的技術,一個負責產生假的資料,一個負責判斷真假,兩邊一直互相訓練,最後讓生成的圖片或內容越來越像真的。
10-14 1 樓
筆記功能僅開放給課程成員,請先加入課程
Prev
藝術生成 & 對抗生成式網路GAN與其他......
Next
對抗式生成式AI GAN與相關軟體操作(穿插Stable diffusion)