GAN لتوليد صور وجوه واقعية
بناء Generative Adversarial Network لتوليد وجوه بشرية
مقدمة المشروع
في هذا المشروع العملي، ستتعلم كيفية بناء generative adversarial network لتوليد وجوه بشرية. هذا المشروع مصمم خصيصاً لمستوى متقدمويستغرق تقريباً 3-4 أسابيع لإكماله بشكل كامل.
سنتبع منهجية CRISP-DM (Cross-Industry Standard Process for Data Mining) المعترف بها عالمياً، والتي تضمن بناء مشروع احترافي قابل للتطبيق في بيئة الإنتاج.
ماذا ستتعلم؟
خطوات العمل التفصيلية
اتبع هذه الخطوات الست لبناء مشروع احترافي
Business Understanding
فهم المشكلة
تحديد الأهداف والمتطلبات من منظور الأعمال
الخطوات العملية:
تطبيقات توليد المحتوى
Data Understanding
فهم البيانات
جمع البيانات الأولية والتعرف عليها وتحديد جودتها
الخطوات العملية:
استخدام CelebA أو FFHQ dataset
Data Preparation
تحضير البيانات
تنظيف وتحويل البيانات لتكون جاهزة للنمذجة
الخطوات العملية:
تغيير الحجم وتطبيع [-1, 1]
Modeling
بناء النموذج
اختيار وتطبيق تقنيات النمذجة المناسبة
الخطوات العملية:
بناء DCGAN (Generator vs Discriminator)
Evaluation
التقييم
تقييم النموذج والتأكد من تحقيق الأهداف
الخطوات العملية:
مراقبة Loss و FID Score
Deployment
النشر
نشر النموذج في بيئة الإنتاج
الخطوات العملية:
تطبيق لتوليد وجوه بشرية