Разработка приложения для генерации изображений с применением нейронных сетей

ВВЕДЕНИЕ 3
ГЛАВА 1. НЕЙРОННЫЕ СЕТИ 5
1.1 Введение в нейросети 5
1.2 Строение нейросети 6
1.3 Принцип работы нейросети 8
1.4 Обучение нейросети 8
1.5 Особенности нейросети 11
1.6 Применение и классификация нейросети 13
ГЛАВА 2. ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНЫЕ НЕЙРОННЫЕ СЕТИ 15
2.1 История создания 15
2.2 Принцип работы GAN 16
2.3 Применение GAN 18
2.4 Ограничения GAN 20
ГЛАВА 3. РЕАЛИЗАЦИЯ ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНОЙ СЕТИ 22
3.1 Постановка задачи 22
3.2 Устройство GAN 22
3.3 Инструменты на Python 25
3.4 Формирование обучающей выборки 29
3.5 Создание генератора 32
3.6 Создание дискриминатора 34
3.7 Вычисление потерь 34
3.8 Обучение 37
3.9 Запуск 39
ЗАКЛЮЧЕНИЕ 42
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ 44
Приложение А. Листинг программы

Весь текст будет доступен после покупки

Рекомендации в Яндекс, распознавание лиц в Facebook и iPhone X, всем известный Photoshop, нейросеть ruDALL-E, «Кредитный скоринг», голосовые помощники Baidu и Google, спам-фильтры в электронной почте, запись к врачу через чат-бота – лишь небольшая часть продуктов, созданных по основе машинного обучения, призванная облегчить жизнь человека.
Одной из методик машинного обучения является нейронная сеть, которая нашла свое применение во многих областях работы с информацией: прогнозирование, принятие решений, распознавание образов, оптимизация, анализ данных. Нейросети лежат в основе большинства современных систем распознавания и синтеза речи, а также распознавания и обработки изображений. Умение распознавать изображения многократно увеличивает скорость обработки данных, быстро находя и структурируя их для выполнения различных задач, таких как бытовые, социальные и даже обеспечение государственной безопасности. Применение нейросетей может заметно облегчить жизнь человека, убрав необходимость ручной проверки огромного количества труднодоступной информации, а также сделать результаты проверки более надежными.
В данной дипломной работе пойдет речь о генеративно-состязательной нейронной сети, позволяющей быстро обрабатывать большой объем данных, что становится все более актуальным. Метод заключается в одновременном обучении сразу двух нейросетей, каждая из которых стремится стать лучше другой для обеспечения наилучшей генерации и распознавания информации.
Также генеративно-состязательная сеть дает возможность автоматически создавать и редактировать изображения. Данный подход используется для генерации реалистичной окружающей среды в видеоклипах и фильмах, что позволяет сэкономить время дизайнерам. Также подобный подход можно использовать для колоризации черно-белых фотографий, воссоздание трехмерных моделей объекта по его неполным фрагментам и увеличения качества изображений, полученных со спутников в космосе. Применение данного подхода дает большие возможности и может продвинуть науку вперед.

Весь текст будет доступен после покупки

ГЛАВА 1. НЕЙРОННЫЕ СЕТИ
1.1 Введение в нейросети
Еще в 1940-х годах нейролингвисты и нейрофизиологи предположили, что человеческий мозг по своей сути является компьютером, что впоследствии стало основой работы нейронных сетей.
В дальнейшем, американский ученый Фрэнк Розенблатт разработал перцептрон - первую нейросеть, на которой основываются современные модели.
Нейросети — математические модели и их программное воплощение, основанные на строении человеческой нервной системы. Они учатся выполнять задачи, рассматривая примеры без специального программирования под конкретное применение, обеспечивают лучшую в своем классе производительность в таких областях, как распознавание речи и изображений, работая с неупорядоченными данными вроде записанной речи и фотографий.
Суть работы нейронных сетей — смоделировать способ решения задачи, присущий людям. Чтобы определить пол человека, изображённого на фотографии, нейросеть будет использовать те же принципы, по которым работает человеческое зрение.
Использование нейронных сетей опирается на накопленный опыт в виде данных и подходит для решения задач, с которыми человечество уже знакомо. Например, нейросети могут помочь организовать полёт внутри Солнечной системы, а для планирования полёта за её пределы лучше опираться на физическую теорию.

Весь текст будет доступен после покупки

1. Васильев, А.Н. Тархов Д.А. Принципы и техника нейросетевого моделирования / А.Н. Васильев. - Москва: ИЛ, 2015. -698c.
2. Википедия - https://ru.wikipedia.org/wiki /Генеративно-состязательная_сеть
3. Проглиб - https://proglib.io/p/generativnaya-sostyazatelnaya-set-gan-dlya-chaynikov-poshagovoe-rukovodstvo-2021-07-16
4. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики / В.Г. Редько. - Москва: ИЛ, 2017. - 224 c.
5. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2013. - 384 c.
6. Рышард, Тадеусевич Элементарное введение в технологию нейронных сетей с примерами программ / Тадеусевич Рышард. - М.: Горячая линия - Телеком, 2011. - 604 c.
7. Скиллбокс - https://skillbox.ru/media/code/govorim-o-generativnosostyazatelnykh-neyrosetyakh/
8. Таганов, Александр Иванович Нейросетевые системы искусственного интеллекта в задачах обработки изображений / Таганов Александр Иванович. - М.: Горячая линия - Телеком, 2016. - 129c.
9. Тадвизер - https://www.tadviser.ru/index.php/ _(Generative_adversarial_network,_GAN)
10. Тархов, Д.А. Нейросетевые модели и алгоритмы. Справочник / Д.А. Тархов. - М.: Радиотехника, 2014. - 160 c.
11. Хабр - https://habr.com/ru/articles/709036/

Весь текст будет доступен после покупки