Slide e codice di un mio talk introduttivo sulle GAN (Codemotion, 25/11/2021)
License: GNU General Public License v3.0
Un'ultima cosa.
Leggendo le slide PDF ho notato che forse potrebbe esserci un errore.
Nella slide 17 "Creiamo il discriminatore" scrivi: "lo strato di input ha tanti neuroni quanti sono gli elementi di ciascun training case,..." e poi segue "Il singolo stato interno che ha tanti neuroni..."
Il discriminatore è definito come segue
discriminator = Sequential()
discriminator.add(Dense((TRAIN_LEN), activation = "relu"))
discriminator.add(Dropout(DIS_DROPOUT))
discriminator.add(Dense(SAMPLE_LEN, activation = "relu"))
discriminator.add(Dropout(DIS_DROPOUT))
discriminator.add(Dense(1, activation = "sigmoid"))
discriminator.compile(optimizer = "adam",
loss = "binary_crossentropy",
metrics = ["accuracy"])Questa definizione, se non sbaglio, corrisponde però a una rete con uno strato di Input che si adatta automaticamente alla dimensione del dataset e 2 strati hidden, anzichè uno. Questo perchè con il layer Dense come primo elemento si dichiara esplicitamente uno strato hidden e implicitamente uno strato di Input la cui dimensione dipende dal dataset.
Per avere una rete con un solo strato hidden ci sono due alternative:
discriminator = Sequential()
discriminator.add(Dense(SAMPLE_LEN, activation = "relu"))
discriminator.add(Dropout(DIS_DROPOUT))
discriminator.add(Dense(1, activation = "sigmoid"))
discriminator.compile(optimizer = "adam",
loss = "binary_crossentropy",
metrics = ["accuracy"])oppure
Dense con InputLayerfrom keras.layers import InputLayer
discriminator = Sequential()
discriminator.add(InputLayer([TRAIN_LEN]))
discriminator.add(Dense(SAMPLE_LEN, activation = "relu"))
discriminator.add(Dropout(DIS_DROPOUT))
discriminator.add(Dense(1, activation = "sigmoid"))
discriminator.compile(optimizer = "adam",
loss = "binary_crossentropy",
metrics = ["accuracy"])Nella PR che ti ho aperto non ho cambiato però nulla, perchè con 2 strati hidden mi è parso che il generatore fornisse risultati migliori.
Grazie ancora per aver condiviso questo notebook! Mi è stato davvero utile.
React
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
Typescript
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
Django
The Web framework for perfectionists with deadlines.
Laravel
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
Facebook
We are working to build community through open source technology. NB: members must have two-factor auth.
Microsoft
Open source projects and samples from Microsoft.
Google
Google ❤️ Open Source for everyone.
Alibaba
Alibaba Open Source for everyone
D3
Data-Driven Documents codes.
Tencent
China tencent open source team.