Image Compression and Generation using Variational Autoencoders in Python

4.7
59件の評価
提供:
Coursera Project Network
2,221人がすでに登録済みです
このガイド付きプロジェクトでは、次のことを行います。

How to preprocess and prepare data for vision tasks using PyTorch

What a variational autoencoder is and how to train one

How to compress, reconstruct, and generate new images using a generative model

Clock90 minutes
Intermediate中級
Cloudダウンロード不要
Video分割画面ビデオ
Comment Dots英語
Laptopデスクトップのみ

In this 1-hour long project, you will be introduced to the Variational Autoencoder. We will discuss some basic theory behind this model, and move on to creating a machine learning project based on this architecture. Our data comprises 60.000 characters from a dataset of fonts. We will train a variational autoencoder that will be capable of compressing this character font data from 2500 dimensions down to 32 dimensions. This same model will be able to then reconstruct its original input with high fidelity. The true advantage of the variational autoencoder is its ability to create new outputs that come from distributions that closely follow its training data: we can output characters in brand new fonts. Note: This course works best for learners who are based in the North America region. We’re currently working on providing the same experience in other regions.

あなたが開発するスキル

Image CompressionMachine LearningVision

ステップバイステップで学習します

ワークエリアを使用した分割画面で再生するビデオでは、講師がこれらの手順を説明します。

  1. An introduction to the variational autoencoder and our project

  2. Dataset visualization and preprocessing

  3. Dataset split into training and validation sets

  4. U​se data loaders to handle memory overload

  5. Create VAE architecture

  6. Create training loop for VAE

  7. R​esults of our model and short introduction to other potential projects using a VAE

ガイド付きプロジェクトの仕組み

ワークスペースは、ブラウザに完全にロードされたクラウドデスクトップですので、ダウンロードは不要です

分割画面のビデオで、講師が手順ごとにガイドします

レビュー

IMAGE COMPRESSION AND GENERATION USING VARIATIONAL AUTOENCODERS IN PYTHON からの人気レビュー

すべてのレビューを見る

よくある質問

よくある質問

さらに質問がある場合は、受講者向けヘルプセンターにアクセスしてください。