data/GAN_transcript_part1.txt

خوب به نام خدا دوستان عزیز و ارجمند سلام وقت همگی بخیر و شادی ما امروز می‌خوایم در مورد شبکه‌های گند صحبت کنیم جزوه‌ای که من استفاده کردم جزوه دیپ جنریتیو مادلینگ درس اینتروداکشن تو دیپ لرنینگ دانشگاه ام ای تی توسط آقای الکساندر امینی و خانمشون آوا سلیمانی ارائه میشه و خب من فقط بعضی از اسلایدهای اینا رو فقط استفاده می‌کنم اگرچه ممکنه یه سری جاها خیلی سعی کنم به زبان ساده تری یه سری چیزا رو در حد فهم خودم بیان بکنم و اگه خدا بخواد برسیم یکی دو نمونه کدم تو این زمینه براتون ران میکنیم قرار نیست این اتفاق به درد همه بخوره اما بشنوید شنیدنش خالی از لطف نیست و اینکه با دانشی که تا الان داشتید چه کارهای عجیب غریبی میشه کرد و به چه دستاوردهایی میشه رسید خب طبیعتاً من همیشه اول ماجرا

یه سایتو به نام دیسپرسنت اگزیست رو می‌خوام یه بار دیگه که قبلاً ممکنه از گذشته به خاطر داشته باشید با همدیگه مرور بکنیم یه سایتیه که وقتی واردش میشید یه سری عکس‌هایی تولید می‌کنه و با هر رفرش شما خب این عکسو عوض می‌کنه و اتفاقی که میفته اینه که هیچ کدوم از این آدما وجود خارجی ندارن خب و این عکس‌ها کاملاً در واقع به صورت فیک تولید شده و البته به جزئیات خیلی توجه شده خب این هنر در واقع ریسرس های محاسباتی و استفاده از الگوریتم های بسیار به روز بوده خواهید دید که یعنی به این نقطه ها رسیدن همچین راحت نیست ولی به هر حال مسیرش میخویم با همدیگه مرور بکنیم و عرض کردم مواردی که اینجا میبینید خب از اینجا نشأت میگیره دیپ جنریتی ماد ها میتونن کاربردهای مختلفی داشته باشند من راستشو بخواید خیلی نمیخوام بهش ورود کنم شاید پایان باز بذارم برای اینکه خودتون بهش فکر کنید فقط همین قدر

با حوزه‌های جذاب هنری و سرگرمانه اینا شروع کردن به کار و جدی شد داستانشون اما الان تو غیر حوزه‌های سرگرمی هم میشه ازشون کارکرد گرفت نمونه تولید عکس‌های فیکه ویدئوهای فیکه صداهای فیکه اینکه فلان خواننده مرحوم هنوز مثلاً داره ازش صدا میاد بیرون اینا با تکنیک‌های جنریتیوه که یک یکی از روش هاست ما میخویم در مورد اون صحبت کنیم در واقع این باز اسلاید ها با همین شروع میشه اینکه میگه فکر می‌کنید کدوم از این عکس‌ها واقعی‌ان و مشابه همین چیزی که من خدمتتون نشون دادم اینا با شبکه های جنریتی معادل شدن اگرچه نمیدونم از چه سایتی بودن و هیچکدوم واقعی نیستند یه مقدمه‌ای داره در مورد سوپروایز و آنسروایز لرنینگ و فرق اساسیش اینه که توی سوپروایز لرنینگ شما لیبلی ندارید و کاربردهایی مثل خوشه بندی یا در واقع کاهش ابعاد و اینا رو داره

و یه مقدار در واقع چیزی صحبت می‌کنه چرا باید از مادلا استفاده بشه عرض به حضور شما عرض کردم علاوه بر اون ابعاد سرگرمیش اینکه شما یه سری جاها ممکنه بتونید دادگانتونو غنی‌تر و وسیع‌تر کنید به خصوص جاهایی که مثلاً از چند تا کلاس از یکیش خیلی داده دارید و مثلاً از یکیش خیلی داده ندارید و میخوید برای منظور خاصی استفاده کنید شاید روش‌های جنریتیو یا مولد به شما کمک کنند که برای اون دسته و کلاس در واقع با داده های کمتون یا کمترتون بتونید داده جنریت کنید و بتونید بعدا کارهای مقایسه بیشتری داشته باشید بله ولی آره ولی مثلاً منظورم تو آن بالانس و غیر تراز بودن با یک دیتا ست که اون خیلی دیگه مثلا قوی تره ولی اینم در یه حدی داره که بشه کارا رو انجام داد و کاربردهای مختلفی داره مثلاً مثالی که اینجا زده گفته آقا به دیتا ست سمت چپ نگاه کنید همه مثلاً رنگ پوست تقریباً یکسان و همه

خندانه در حالی که تو واقعیت ممکنه شما رنگ پوست‌های متفاوت پوزهای صورت متفاوت و وضعیت‌های مختلفی رو ببینید یا مثلاً توی عرض به حضور شما زمینه رانندگی خودکار توسط ماشین‌های خودران نوشته خب در ۹۵ درصد مواقع دیتا ست شما جاده های آفتابی صاف بدون بارون حتی بعضاً موجود در در واقع چیز هستند بزرگراه‌ها هستند در حالی که شما ممکنه با داده های هم تو واقعیت مواجه بشید که داده های خیلی نادری باشند ولی باید سیستم شما برای اونم آموزش دیده باشه که کار بکنه و اینجا روش های جنریتیو به کار ما میاد جزوه‌ای که اینجا مشاهده می‌فرمایید دو گونه روش های جنریتی و اساساً بیان می‌کنه که هر دو اساسشون لیتنت وریبل مادلز اند یا لیت وریبل رو ترجمه میتونیم بکنیم متغیرهای نهان خب

و اساس کارشون بر اینه که به جای اینکه به یه چیز ظاهری نگاه کنید اول یه متغیر نهانیو یا پیدا بکنید یا ازش شروع بکنید که اون متغیر نهانه حالا بتونه شما رو به اون در واقع جایی که می‌خواید برسونه و چیز مهمتری باشه که روش های اتوکودر و وریonال اتوک وی یه دسته از اونان و جنریتیو ادرسریال نتورک یا گن ها یه مدل های دیگه که می‌خوایم در موردش صحبت کنیم و در هر دو شکلی که میبینید مستطیل های نارنجی رنگ که توی شکل سمت چپ وسط تصویره و تو شکل سمت راست سمت چپ پایین تصویره اون لیتنت وریبل ما هم یا متغیر نهان ما اند که حالا می‌خوایم ازش استفاده کنیم اساس کارش هم عرض به حضور شما از این نقاشی میشه مثلاً به هر حال توصیف بیشتری کرد اسم نقاشی رو اگه بذاریم راز غار این مدلیه که فرض کنید یه دیواره وجود داره که یه سری زندانی اند و

مجبورند که به این دیوار تکیه بدن و مقابلشونو نگاه کنن یه آتیشی پشت مشتا وجود داره و یه عده‌ای دارن رد میشن و یه سری چیزا دستشونه این زندانیا هیچ وقت واقعی اون ماجرا رو نمی‌بینن و فقط دارن سایه اونو روی دیوار می‌بینن ها حالا ماجرا اینه که چجوری با دیدن این سایه بشه رفت تو لیتن وریبل که اصلی ها باشن و روش بشه حرف های بیشتری زد و از اون حالا به جاهایی که میخویم برسیم خب این در واقع این چیزه برای اینه من روش های اتو ان کد رو میپرم اصلاً کاری ندارم از دلتون خواست به جزوهش نگاه کنید و وی دلتون خواست برای خودتون نگاه بندازید اگر این جزوه خیلی خلاصه است یعنی جزئیات زیادی نمیگه فیلماش هم رو یوتیوب هست درسنامه که خود خانم سلیمانی میدن تو این زمینه مطرحه اما ما می‌خوایم بریم در مورد روش های گن یا جنریتیو

سریال نتورک صحبت کنیم ادور سریال معنی حریفان بودن متخاصم نمی‌دونم دعوایی میده خوب و عنوانش مشخصه که اولاً و نتورکشم تک نتورک نتورک خب یعنی شبکه‌های حریفانه شبکه‌های متخاصم و اینجا میتونید متوجه بشید که اساس کارش اینه که ما دو تا شبکه رو بندازیم جون همدیگه خب یا حداقل دو تا شبکه رو بندازیم به جون همدیگه که بخوان با همدیگه یه رقابتی بکنن و یه چیزی رو برای ما در بیارن خب حالا بحث های علمی تخصصی پشتش وجود داره من اجازه بدید خیلی سعی کنم به زبان ساده صحبت بکنم میگه که اولا یه حس و حالی یه چیزی ازتون بپرسم ببینم قبول می‌کنید یا نه اگر قبول میکنید حالا بعدش میریم اینو میگیم فرض کنید فرض کنید من عکس تمام آدم‌های دنیا رو بگیرم مثل خودمون نمونه‌ش مثلاً ما بیست سی نفری که

یک صفحه دو بعدی یا توی صفحه مثلاً ۱۰۰۰۰ بعدی بیام به ازای هر کدوممون یه نقطه بزارم محور شماره عکس بنده یا از نقطه یک دو اون صفحه بتونید بعداً منو باز تولید کنید بسازید مثلاً شما بشی یکی دیگه و الی آخر حس و حالی ازتون می‌پرسم فکر می‌کنید که انسان‌های دنیا نقطه‌هاشون میشه یعنی هر کی یه جا میفته یا نه به نظرتون یه مرز پیوسته ای ممکنه با حالا مثلاً مرز خیلی عجیبی باشه از لحاظ انحنا و اینا ولی وجود داره پیوسته که همه آدم های دنیا اونجا بیفتن حس و حالتون چی میگهچ فرض کنید چرا خیلی مناسبی انتخاب شدن حس و حالتون آیا می‌پذیره که یک فضای پیوسته‌ای باشه که هر نقطه‌ای تو اون بردارید یه آدم باشه حالا یه آدم‌هایی که تا این

خلق شدن ها یا آدم‌هایی هستند که چی می‌توانستند خلق بشوند ها یه همچین چیزی و پیوسته است حس و حال آدما میگه پیوسته پرنده‌ها پیوسته باشند خب و حتی مرزهایی وجود داشته باشه که مثلاً گنجشک و کبوتر جدا بشن یا به یه پرنده هایی برسیم که یه چیزی بینابین اینان که حتی ممکنه تو واقعیت هم دیده باشیم خب و اگه فضاها رو بکشی بیا فضاهای منیفولدای خیلی خیلی خیلی عجیب پیچیده برسیم شبیه اون چیزی که سمت راست کشیده و اسمشو گذاشته اکس خب حالا ماجرا اینه که من توی روش‌های گند نمیتونم مستقیم اون منیفولد اکس رو پیدا کنم یه حقه میزنم میگم از یه نویز ساده زد شروع میکنم یه سوال پرسید چند جلسه قبل گفتم تا گن صبر کن گفت آقا ما تا الان همیشه وقتی عکس بهش میدادیم میومدیم با شبکه کوچیکش می‌کردیم به یه عصاره می‌رسیدیم آیا برعکسش میشه رفت جلو یعنی عصاره رو بدیم برسیم به عکس اصلی پاسخش اینه که بد میشه خب و

ساده عصاره که همون زد باشه و البته ما از نویز شروع می‌کنیم میریم جلو و به یه چیز پیچیده‌تر می‌رسیم که ما رو بندازه تو اون فضای ایکس آبیه که در حالت عادی نمی‌دونستیم دیستربیوشنش چطوریه یعنی با نویز تلاش می‌کنیم و یه سری سمپل خودمون رو تو اون بندازیم و انشالله که جواب بگیریم خب یه چیزی داریم یه شبکه‌ای داریم به نام شبکه جنریتور که با جین نشونش بدیم و این شبکه اصلی ماست ولی خوب ماجراش اینه که در حالت عادی اگر بخواهید از یه نویز شروع بکنید و جنریتور شما یه عکس خوب براتون تولید کنه با چی میخوید مقایسهش کنید لاس شما چه خواهد بود ها یه عکس تولید شد اون موقع بگید چیه این عکس خوبه یا بده چجوری میخوید مقایسهش کنید برای اینکه این لاسه رو یه جورایی براش بسازن از یه شبکه متقابل استفاده میکن به نام شبکه دیسکریمتور یا تمیز دهنده خب که قراره این دو تا به جون هم بیفتن و خلاف جهت همدیگه عمل کنن خب

اساس کار گنو تو این تصویر می‌بینید و کل چیزی هم که باید ببینید بدونید فقط تو همین تصویره من تلاش می‌کنم کل درس همین الان بگم مثلاً تو دو سه دقیقه خب اساس کار در واقع شبکه‌های گن این مدلیه میگه شما یه نویز دارید خب که میتونه مثلا چه میدونم اولش ۱۰ بود ۲۰ بعد داره ۲۰ تا عدد رندوم مثلاً با میانگین صفر از دیستربیوشن نرمال گوسیه با انحراف معیاری یک گزینش می‌کنید خب ۱۰ تا ۲۰ تا ۱۰۰ تا می‌دید به یه شبکه‌ای و یه جورایی مثلاً به یه عکس فرض کنید ۳۰ در ۳۰ درش میارید خروجی شبکه جی یه عکس ۳۰ که این چیه عکس فیکیه که شما تولید کردید خب و می‌خواید ببینید این چقدر خوبه یا نه طبیعتاً شبکه جی باید ترند بشه دیگه حالا بهتون میگیم باید چیکارش کنیم یه شبکه دیگه می‌سازید به نام شبکه دیسکریمتور که با دی نشونش میدن و معادل تمیز دهنده معنیشه خب این

دو گونه ورودی می‌تونه از شما بگیره یا عکس‌هایی که شما با جی تولید کردید یا عکس‌های واقعی بگیره مثلاً فرض کنید من می‌خوام یه سری کاریکاتور بکشم ۱۰۰۰ تا ۱۰ هزار تا کاریکاتور رو دارم و می‌خوام کاریکاتورهای فیک بکشم خب ۱۰۰۰۰ تا کاریکاتور به عنوان عکس ایکس ریل دارم و هر تعداد دلم بخواد که حالا ده هزار تا ۵۰۰۰ تا ۱۰۰۰ تا می‌تونم با چی جنریتور تولید کنم شبکه دیسکریمتور وظیفهش اینه که چیکار کنه عکس واقعی رو که بهش میدید بهتون بگه واقعی اند عکس فیک بهش میدید بهش میگه فیک دیسکریمتور در حالت عادی یه شبکه عادی خودمونه مثلاً کانولوشنیه چند لایه می‌زنید لایه آخرش هم سافت مکسه چیزه سیگمایده یه بله یا خیر یک یا صفره یک یعنی که چیزیدکستون رییل بوده صفر یعنی فیک بوده خب حالا دیه لحظه اول نرمال چیز شده رندوم اینشیالایز شده جی هم لحظه اول رندوم اینیشیالایز شده هدف چیه

هدف اینه که دیه تا جایی که میتونه درست بگه که فیکاوریلا کدومن هدفش اینه که دی رو گول بزنه و ایکس‌های فیکی تولید کنه که دیگه نتونه بگه فیکه و اینجا در واقع مقابله بودن و دعوا راه میفته خب حالا در مورد اینکه چه جوری ترینش کنیم صحبت می‌کنیم چون شما احتمالاً دید نداره چه‌جوری پیاده‌ش کنید خب خب ماجرا اینه که ماجرا اینه که این کلیات بحث رو شنیدیم من یه بار صحبت می‌کنم بعد حالا میریم روش جزئیات بیشتر رو نمونه و اینا می‌بینیم خب بفرمایید نه حالا فیدبک از وایz نیست داستان های که هنوز هم چلنج ها که باید بالاخره دی و جی رو چجوری آپدیت کنیم چون دو تا شبکه خب اگه بخوایم علمی صحبت بکنیم خب اگه بخوایم علمی صحبت بکنیم عرض به حضور شما که این عکس رو به خاطر بسپارید یا من

کریم بگیرم یه لحظه می‌خوام به خاطر تو میمونه یا یه بار دیگه بکشمش می‌خوام بیارم تو ویندوز ژورنال خب این عکس رو بچه‌ها یه بار دیگه یه بار دیگه فقط چشمی ببینید که یادتون باشه اینجوری بود که با نویز شروع می‌کردم نویز از جی میگذشت جیه برای من خروجی تولید میکرد معادل اون خروجی دقیقاً با همون سایزش مثلاً اگه ۲۰ در ۲۰ باشه عکس ریل داشتن و اینا رو می‌دادن به یه شبکه‌ای که فقط به من با سیگمای تهش میگفت که درسته و حالا می‌خوام در مورد این صحبت بکنم ببینید جانم در حساب میشه نه هر دو الان سوپروایز خب هر دو سوپروایزن دی بهش بله بله بهش میگیم میگیم برو ترین شو به جی حالا یه جور دیگه حرف میزنیم اجازه بدین اینو اول همین سوالی که پرسید رو بگم بعد چیز کنم ادامه بدم در مورد ریاضی صحبت کنیم ببینید این شبکه

یا شما در جا می‌خواید چیزش کنید حالا لاست فانکشن یا آبجکتیو شو بهینه کنید یا نه فرق کاس فانکشن آبجکتیو چیه آبجکتیو تا به هدف کاسپانکشن تا به هزینه است ما دوست داریم چیو چیکار کنیم کاس فانکشن مینیموم کنیم آبجکتی ماکسیموم کنیم یه راهش هم اینکه کاست آب منفی هم بگیریم دیگه ها خب حالا بستگی داره که اینجا آبجکتیو برای شما مثال بزنم یا چیز به اصطلاح کاستوم آبجکتیو دی اینه که چی عکس تشخیص بده و عکس های فیک درسته آبجکتیو میشه اینجوری نوشت حالا این اکسپکتد ولی یعنی اکسپکتیشن زمانی که داده ها رو از عکس های واقعی در میارید اینه که ال ان خروجی دی باید چی باشه باید ماکس یک بشه این آبجکتیو

آبجکتیو دیه خب این این بره به سمت یک خب عرض به حضور شما که این باز بره به سمت ماکسیمم شدن و در ضمن چه اتفاقی بیفته عکس‌هایی که از دومین p زد میان چه اتفاقی براشون میفته به سمت چی برن سفت برن یعنی لاگ یک منهای دیجی چی بشه ماکسیمم بشه درسته یعنی جی زد بره به سمت صفر ها و عرض به حضور شما که و لاگ یک منهای این بره به سمت چیز شدن حالا آبجکتیو که این ماکسیمم بشه یه همچین چیزی باید جمع این دو تا می‌خوام با هم اتفاق بیفته به سمت صفر یعنی اینکه اون چیزی که جی تولید کردم تشخیص بده فیک احس اونی که جی تولید کرده رو دی تشخیص بده که فیک خب از طرفی

عرض به حضور شما آبجکتیو جی چیه آبجکتیو جی چیه اینه که برخلاف دی یه دیدگاه اینه که بگیم ایه چیزایی که از اکسپکتیشن چیزهایی که از دومین زد برداشته یک منهای دی جی منفی ماکسیمم بشه یا یه دیدگاه اینه که بگیم لوگ دی جی ماکسیمم بشه قبوله یعنی دی جی بشه یک برای آبجکتیو جی خب گیم یا بازی یا تقابل به وجود میاد خب پارامترهای دی و جی باید چجوری توسعه پیدا کنند وقتی که با هم میبینیمشون با هم میبینینشون آبجکتیو نهایی سیستم

اینجوریه اگه میشد حل تحلیلی براش ارائه داد اینه که ما البته تحلیلی حل نمی‌کنیما باید پارامترهای شبکه دی و جی جوری انتخاب می‌شدند تتای جی رو بذارید تمام پارامترهای شبکه جی مثلاً تمام دبلیوها و یاس‌هاش و تتای دی هم بزارید تمام دبلیوها و بایاس های چی شبکه دیسکریمتور باید جوری انتخاب می‌شدند که اکسپکتیشن ایکس های واقعی وقتی میاد لاگ دی ایکس به ازای تتای دی ماکسیمم بشه و همینطور وقتی از دیستربیشن زد میاد لاگ یک منهای دی تتای دی جی تیتا زی روی زی چی بشن باز این برای دی ماکسیمم و برای جی چی بشه مینیمم بشه اگه مثلاً دی یه دونه پارامتر داشت کلا شبکه

پارامتر بود آبجکتیو رسم می‌کردید و تتای دی و تتای جی رو رسم می‌کردید کدوم نقطه نقطه جذاب ما بود یه نقطه‌ای می‌خوام که نسبت به دی ماکسیمم نسبت به جی مثلا مینیموم باشد کجا میشه از چه جنسیه نقطه زینی سدل پوینت پس آبجکتیو من اینجا به ازای یک ماکسیمم یا یک مینیمم نیست این نقطه‌های صدل پوینت جذابی رو می‌خوام پیدا کنم که این اتفاق براش بیفته خب ولی ما اینو تو واقعیت اینجوری حل نمی‌کنیم بسته حل نمی‌کنیم تو واقعیت ما چه‌جوری حل می‌کنیم تو واقعیت این کارو می‌کنیم اول جی و دی و اینشیالایز میکنیم دو تا شبکه خب که دوتاشون تو دیواره خب جی و فیکس می‌کنیم یه پارامترهاش دست نمیزنم بلدید چیکار کنید ترینبلش اگر لازم شد فالس میکنید یا اینکه اصلا وارد بازیش نمی‌کنیم به دی چی ورودی می‌دید فرض کنید که ۲۰۰ تا عکس ورودی میدید که ۱۰۰ ت

کاریکاتورهای واقعیت ۱۰۰ تاش کاریکاتورهایین که جی از زی تولید کرده مثلاً من یک بار زدو دادم چی یه بردار ده در یک از چیز نرمال سی گرفتم و به یه جی دادم که تونسته یه عکس ۳۰ در سی برام تولید کنه عکس‌های ۳۰ درسی کاریکاتورهای واقعی هم دارد خب میام چیکار میکنم به اون تقریباً عرف به اون اندازه‌ای که از ریل دارم فیک تولید می‌کنم مثلاً ۱۰۰ تا از این ۱۰۰ تا از اون لیبل چی میزنم یک میزنم لیبل واقعا صفر میزنم یعنی سوپروایزش میکنم میدم به دی میگم دی تو برو یه چیزی تنظیم بکن که اینا رو یک تشخیص بدی اینا رو صفر خب و برو جلو یا یه ای پاک یا ممکنه بیشتر برم اوکی دی تا یه جایی میبرم که او تا حد خوبی یا حد کفایت کننده روی ۲۰۰ تا داده خوب جواب بده فیکسش میکنم حالا فریزش میکنم حالا باید برم سمت جی

فریز شده حالت قبلی یعنی دی که یک بار آپدیتش کردی بده به اون دی که فریزش کردی یه لیبل بهت میده باید چند بهت بده باید یک بهت بده باید یک بهت بده پس شبکه جی باید جوری ترین بشه که وقتی تولید کرد دی جی بشه یک خب پس اون ولی دی خودش نباید پارامترهاش عوض شه که اینجا تو کدهایی که می‌نویسید میاید درسته دی جی رو حساب میکنید و لاسش با این مقایسه میکنید که یک ولی خود دی رو ترینبلش فالس میکنید تا دیگه دی آپدیت نشه جی آپدیت میشه اینجا و این برنامه رو انقدر ادامه می‌دید تا انشالله به جای خوبی برسید خب یه جایی که حس کنید داده هایی که دارید تولید میکنید معقوله جای خوب نهایی هم

دیگه نتونه بین ریل و فکر تشخیص خوبی بده و ۵۰۵۰ هم بگه که در نهایت چیز کنید به اصطلاح یعنی میگن خرش کنیم دی رو می‌خوایم فولش کنیم خب و گیجش کنیم و نتونه بفهمه چی واقعیه چی در واقع فیکه کلاً خیلی ایدئال من اینه که تمامی عکس هایی که تولید می‌کنم توسط جی دقتش بره به سمت ۱۰۰ یعنی وقتی دی جی روش اعمال میکنن ها و توی دی هم دقت ها مثلا باشه مثلا اون رندوم بگه هست یا نیست یعنی نتونه تقریباً تخمین بزنه که چه اتفاقی داره میفته الان باید هر چی از دقت صفر نتونه تشخیص بده وقتی که وقتی که میخوید دی ترین کنید ترین تمام شد تمام شده

شبکه رسیدیم به ته شبکه رسیدیم وقتی جید عکساش تولید میشه دی ۵۰۵۰ بگه فیکه یا ریال یا به اون نقطه برسه یعنی کلاً یا نه یا شاید بد گفتم شاید ۱۰۰% خودم شک کردم به سمت بالا دیگه تا حد امکان بره به سمت بالا خب و در نهایت ما دی رو میندازیم دور دی فقط نقش جی بازی کرد یعنی یک مسئله سوپروایز رو که نمیدونستیم آدما چجوری کاریکاتور چجوری اند با یه دیقه زدیم براش یه طوری تعریف کردیم دیگه پاک میکنیم میندازیم کنار و از جی استفاده میکنیم کلا از این به بعد خب این از این این کلیات ماجراست حالا یه سری مباحث پیش میاد و جزئیات حالا میخویم در مورد اینا صحبت کنیم یکی اینکه دی و جی عرفاً باید از یک چیز باشن اوردرراف باشه تعداد پارامترها متغیرهاشون نباید

خیلی قوی یا جی خیلی قوی باشه مثل یک معلم و شاگرد خب اگه شما یک معلم خیلی خیلی خیلی قوی سختگیر انتخاب بکنید مثلاً یه میلیون تا پارامتر داشته باشه ۵۰ هزار تا احتمال داره هیچ‌وقت اون بهش نرسه خب اینی که دی و چند تا ایپاک بدیم جی و چند تا ایپاک بدیم یعنی من که یه دور دی رو دارم آپدیت می‌کنم بعد میرم جی دوباره میرم دی دوباره جی چیکار کنم این واقعا محل یعنی چیز ها جای بحث داره هنوز که هنوزه دارن روش کار می‌کنن یه سری مقالات نوشتن یه عده نوشتن یه مرزی بزار خیلی نرید جلوتر یه عده مثلا نه پنج پاک ده پاک میرن تا دیه به اندازه خوبی قوی بشه چون لااقل ایکس که بتونه بگه یکه چون وقتی اولش رندوم ایکس نمیتونه بگه یک ها و بعدش بیاین سمت چی اینا جای اعرابه و خیلی جا بازی داره یعنی برخلاف قبلیا هایپر پارامترهایی که دستتونن و حقه هایی که باید بزنید تا به نتایج خوب برسید خیلی زیادترن برای بخواید یک ممکنه به علت محدودیت منابع محاسباتی و دو به علت پیچ

از آب و گل درش بیارید این طرحتونو خوب و ولی به هر حال این اتفاقی که پشت ماجرا میفته خب این بفرما هر وقتی اولش حداقل درست کنه بعد با هم ترین یعنی چی اگه بخواید دو خب یعنی اگه بخوای آبج آبی من بزاری باید حقه کد زنی بلد باشه که اینو برات پیدا کنه خب باز دوباره اینم دو مرحله اش میکنه تو واقعیت درسته یه تابعی مینویسیم که ترینه که من اتفاقاً نمونه کدی که براتون آوردم همینه یه تابع تهش دادیم دستی نوشتیم ترین

ولی اون دو مرحله‌ای میاد می‌کنه یعنی بالاخره یه مرحله اول جنریتور و میچرخه ولی من با هم دیدنشو با هم بودنش که همزمان دقیقاً همین آبی رو که نوشته بودم شاید مثلا اینم الان روش های به روزترشه خب داره استفاده میکنه اشکال هر کسی از دیت نه میدونم ولی نگاه کنید زمانی الگویی که گفتم اول که میخوید بدید دی تعیین کنه ما با جی ثابت یه سری عکس تولید میکنیم میدیم به دی اینقدر دی رو میزنیم تو سر کلش که قوی شو آقا ریل ها را ریل واقعا تشخیص بده چون حالا فیک ها رو که خب رندوم اولش میگه ولی احتمالا ریل ها رو بتونه بگه یکم احتمال داره واقعا باز فیک ها رو راحت تر بتونه بگه صفر چون خیلی فرق میکنه بعدش چیکار می‌کنید حالا دیگه قوی

رندوم خودش یه خروجی تولید می‌کنید بعد خودش که لاست نداره میدید به دی دی باید اینو یک تشخیص بده میگیم جی و جوری تغییر بده که خروجی سبب بشه دی اینو یک تشخیص اینقدی میرید جلو تا به همون عرض کردم به یه نقطه آره نمیدونم موازی یا نه شاید مثلاً از دید من سری یعنی یه جی و فریز کردید دی رو میبرید جلو یه جا دی و فریز میکنید جی اگر قوی میشن نمیدونم خب اینجا همون جایی که احتمالا مقالات میگن پاک از اون یعنی نیازی نیست خیلی شاید همین حرفی که ما زدیم و بیان میکنه میگه آقا اول جنریتور شما چیز میکنه داده های

برداشته که خیلی پرت و پلان بعد چند تا داده واقعی نشونش میدید و دیسکریم میاد ترین میشه انقدی ترین میشه که سبزها رو یک و نارنجی‌ها رو چی احتمالشو صفر تشخیص بده بعد جنریتور حالا نوبت جنریتور قوی بشه صورتیاشو میاد نزدیکتر به سبزه برمی‌داره خب چون فهمیده حالا دی قوی بغلشه بعد انقدری میزنه تو سر کله خودش که سوئیچ میکنه و فلان فلان در نهایت داده‌هاش انقدی می‌افتن تو هم یعنی جنریتور شما اینقدر قوی میشه که وقتی داده های خوبی انتخاب میکنه قاطی سبزها اند و دیگه دیسکتور کلا کم میاره و الی آخر و در نهایت هم چیکار می‌کنید در نهایت هم بعد از اینکه به نقطه خوب رسید رو میندازید دور کلا با جنریتور به زندگیتون ادامه می‌دید خب استفاده نکنید مدل های ترین شده دیگران استفاده کنیم مثلا موبایل

موبایل آیا کاریکاتور یک تشخیص میده یا نه یعنی احتمال از صفر صفر اینشیالایزش کنید واقعا اگر شبکه خوبی دارید خوب استفاده کنید ولی ماجرا اینه که سوال من دقت کنید بچه ها سوال من الان این بود یه مشتی کاریکاتور دارم بهش گفتم تو هم برای من کاریکاتور بکش ولی فعلا بهش نگفتم کاریکاتور چی بکش و اینا مسائل جداین یکی یکی میخوام بهش وارد شم خب و اینی که دیسکریمتور باید بتونه کاریکاتورهای واقعی رو بگه کاریکاتورن همون اولش و