2. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
7. Các hướng tiếp cận
Convolution transfer Pix2pix ( Conditional GAN ) Cycle GAN
Transfer learning Supervised learning Unsupervised learning
8. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
9. Tổng quan ML
● Sử dụng Machine Learning => học một hàm số f(x) = y
● Các giai đoạn cơ bản :
○ Tạo 1 mô hình khởi tạo f(x) 1 cách ngẫu nhiên
○ Xây dựng 1 hàm loss function để biểu diễn sự sai khái giữa kết quả thực tế y và đầu ra của
mô hình f(x)
○ Thông qua loss function => update các tham số của mô hình f(x)
11. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
16. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
24. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
25. GAN ( Generative adversarial network )
Trò chơi cảnh sát - người làm tiền giả :
● Người làm tiền giả không hề biết cách để tạo ra tiền thật, họ chỉ cố gắng mô
phỏng lại tiền
● Cảnh sát có nhiệm vụ phát biệt tiền giả - tiền thật
● Người làm tiền giả cố gắng lừa cảnh sát rằng tiền mình tạo ra là thật
● Dựa trên việc tiền giả có bị phát hiện hay không, người làm tiền giả sẽ cải
tiến phương pháp
● Tiền giả ngày càng tinh vi => cảnh sát cải tiền phương pháp phát hiện
● 2 bên cạnh tranh => tiền giả ngày càng giống tiền thật
26. GAN
● GAN mô phỏng lại trò chơi này bằng 2 neural network :
○ Người làm tiền giả : Generator : sinh ra những dự liệu
giống thực tế nhất có thể
○ Cảnh sát : Discriminator : phát hiện đó là dữ liệu thực tế
hay dữ liệu do Generator sinh ra
27. Train GAN : Discriminator
● Generator được khởi tạo một cách ngẫu nhiên
● Sinh ra 1 vài fake data từ generator
● Tạo 1 dataset :
○ Fake data có label là 0,
○ Real data có label là 1
● Train discriminator => cập nhật discriminator
28. Train GAN : Generator
● Freeze discriminative model
● Sinh ra fake data từ generator model
● Đánh tất cả các fake data có label = 1
● Train generator model dựa trên
phản hồi của discriminative model
32. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
42. Agenda
1. Giới thiệu về style transfer
2. Tổng quan về Machine learning và Deep learning
3. Sử dụng convolution:
1. Giới thiệu về convolution
2. Convolution style transfer
4. Sử dụng GAN:
1. Giới thiệu về GAN
2. Giới thiệu về Cycle GAN
5. Demo
Editor's Notes
The fundamental difference between a densely connected layer and a convolution
layer is this: Dense layers learn global patterns in their input feature space (for example, for a MNIST digit, patterns involving all pixels), whereas convolution layers learn local patterns (see figure 5.1)
They can learn spatial hierarchies of patterns (see figure 5.2). A first convolution layer
will learn small local patterns such as edges, a second convolution layer will
learn larger patterns made of the features of the first layers, and so on. This
allows convnets to efficiently learn increasingly complex and abstract visual concepts (because the visual world is fundamentally spatially hierarchical).
We can see that as we reconstruct the original image from deeper layers we still preserve the high-level content of the original but lose the exact pixel information.
Tại sao cần phải có lop ADD : chúng ta vẫn muốn bức ảnh giống ảnh gốc nhiều nhất có thể > chúng ta sử dụng trực tiếp input như 1 đầu vào trực tiếp > hạn chế bức ảnh bị chêch đi quá nhiều ( do ảnh hưởng của các lop conv )