جستجو برای:
  • فروشگاه
  • وبلاگ
  • آموزش‌های رایگان
    • آموزش پایتون رایگان
    • آموزش یادگیری ماشین رایگان
    • آموزش یادگیری عمیق رایگان
    • آموزش pytorch رایگان
    • آموزش گوگل کولب
    • آموزش رایگان matplotlib
    • آموزش متلب رایگان
    • دوره‌های خارجی
  • نقشه راه AI
  • کلاس خصوصی
  • همکاری با ما💚
  • حساب کاربری
  • اساتید
  • درباره ما
     
    • 0902-546-9248
    • howsam.mail@gmail.com
    آکادمی هوش مصنوعی هوسم
    • فروشگاه
    • وبلاگ
    • آموزش‌های رایگان
      • آموزش پایتون
      • آموزش یادگیری ماشین رایگان
      • آموزش یادگیری عمیق
      • آموزش pytorch
      • آموزش گوگل کولب
      • آموزش رایگان matplotlib
      • آموزش متلب
      • دوره‌های خارجی
    • نقشه راه AI
    • کلاس خصوصی
    • درباره ما
      • اساتید
      • پشتیبانی
      • هوسم در اینستا و تلگرام
        • اینستاگرام هوسم (howsam_org@)
        • تلگرام هوسم (howsam_org@)
        • تلگرام پایتورچ (pytorch_howsam@)
    • همکاری با ما💚
    0

    ورود و ثبت نام

    بلاگ

    آکادمی هوش مصنوعی هوسم وبلاگ یادگیری عمیق شبکه عصبی GAN

    شبکه عصبی GAN

    2020/11/09
    ارسال شده توسط سید سجاد اشرفی
    یادگیری عمیق
    8.35k بازدید

    به‌نام خدا، سلام… شبکه عصبی GAN چیست؟ یکی از شبکه‌های عصبی هیجان‌انگیز در دهه اخیر یادگیری ماشین و هوش مصنوعی، همین GAN است. در این جلسه از آموزش یادگیری عمیق رایگان می‌خواهم به تشریح شبکه عصبی GAN بپردازم. ابتدا در مورد تاریخچه این شبکه کمی صحبت می‌کنم، سپس با هوسم همراه باشید…

    فهرست مطالب نمایش
    1. شبکه عصبی GAN چیست؟
    2. آشنایی با شبکه عصبی GAN
    2.1. شبکه عصبی GAN یا همان دزد و پلیس
    2.2. شبکه GAN با نگاهی علمی‌تر
    2.3. ساختار شبکه عصبی GAN
    3. معماری شبکه عصبی GAN
    3.1. نحوه آموزش شبکه GAN
    3.2. تابع اتلاف Discriminator در شبکه عصبی GAN
    3.3. تابع اتلاف Generator در شبکه عصبی GAN
    4. فرآیند آموزش شبکه گن

    شبکه عصبی GAN چیست؟

    شبکه عصبی GAN، یکی دیگر از شبکه‌های عصبی مشهور در یادگیری ماشین است که عمر آن به ده سال نمی‌رسد. شبکه عصبی GAN در سال 2014 توسط Ian Goodfellow و همکارانش پیشنهاد شد (لینک مقاله). شبکه های عصبی GAN مدل‌های مولدی (Generative Models) هستند که داده‌های جدید شبیه داده‌های آموزشی تولید می‌کنند.

    شبکه های عصبی GAN می‌توانند تصاویری مانند چهره انسان تولید کنند که کاملا ساختگی هستند. چهره‌هایی که ممکن است در دنیای واقعی وجود نداشته باشند. به تصاویر زیر نگاه کنید، اینها تصاویری هستند که GAN تولید کرده و وجود خارجی ندارند. ممکن است بگویید اینها که خیلی واقعی هست، محال است تصویر ساختگی باشد. اتفاقا تصاویر ساختگی است. به چهره افراد نگاه کنید، ببینید می‌توانید جزئیات غیرعادی در چهره‌ها پیدا کنید؟ باید بتوانید.

    شبکه عصبی gan و تولید چهره
    شکل 1: تولید چهره ساختگی با شبکه عصبی GAN

    Yann Lecun یکی از بزرگان هوش مصنوعی، GAN را جالب‌ترین ایده در 10 سال گذشته یادگیری ماشین توصیف کرده است. همین تعریف از این محقق برجسته نشان می‌دهد که شبکه عصبی GAN چه ایده نابی است. در 6 سال گذشته محققان به موفقیت‌های بزرگی در شبکه GAN رسیده‌اند. در تصویر بالا، تعدادی تصویر چهره باکیفیت به شما نشان دادم. اما از ابتدا تصاویر چهره این اندازه باکیفیت نبود. به تصاویر چهره زیر نگاه کنید. ببینید به مرور چقدر چهره‌ها باکیفیت‌تر و واقعی‌تر شده است. پیشرفت فوق‌العادست!

    شبکه مولد متخاصم
    شکل 2: پیشرفت شبکه عصبی GAN در 6 سال در تولید تصاویر چهره

    البته، شبکه GAN تنها تصویر چهره تولید نمی‌کند، بلکه امروزه کاربردهای بی‌شماری پیدا کرده است. با جستجو در اینترنت می‌توانید خروجی‌های متنوعی از GAN مشاهده کنید. مانند تولید تصویر حیوانات، نقاشی به سبک نقاشان مشهور، کاریکاتور و غیره.

    آشنایی با شبکه عصبی GAN

    تا اینجای کار متوجه شدید که شبکه عصبی GAN، داده جدید تولید می‌کند. GAN مخفف Generative Adversarial Network هست. کلمه اول، یعنی Generative نشان می‌دهد که با شبکه‌ای سروکار داریم که مولد است و داده تولید می‌کند. Network هم که همان شبکه عصبی است. اما Adversarial چیست؟ به فارسی می‌شود خصومت! پس در فارسی به شبکه GAN می‌توانیم بگوییم شبکه متخاصم مولد… دو کلمه کلیدی به‌نام متخاصم و مولد داریم. اتفاقا دو شبکه مولد و متخاصم هم در GAN داریم. دو شبکه‌ای که در مبارزه باهم هستند!

    شبکه عصبی GAN یا همان دزد و پلیس

    به تصویر زیر نگاه کنید؛ این تصویر، مثال معروفی از شبکه GAN هست. یک دزد و پلیس  که به‌ترتیب در نقش مولد و ممیز ظاهر می‌شوند. واضح هست که بین این دو یک دشمنی یا تخاصم وجود دارد! دزد در تلاش برای گول زدن پلیس و پلیس در تلاش برای تشخیص جعلی از واقعی…

    شبکه generative adversarial network
    شکل 3: دزد و پلیس و ساختار شبکه عصبی GAN

    اما دزد چه می‌کند؟ مطابق انیمیشن بالا، مثلا پول جعلی می‌سازد. چون درحال خلق چیزی هست، می‌گوییم مولد یا Generator هست. وظیفه پلیس هم این است که پول جعلی و واقعی را از هم جدا کند. همین ابتدا تکلیف پلیس را مشخص کنم. پلیس یک دسته‌بند است که در خروجی می‌گوید که پول جعلی/واقعی است. یعنی یک دسته‌بند دوکلاسه داریم. به همین خاطر بود که گفتم پلیس یک ممیز یا Discriminator هست.

    قبول دارید که دزد و پلیس به‌صورت غیرمستقیم درحال تقویت هم‌دیگر هستند؟ دزد پول جعلی تولید می‌کند و پلیس به‌درستی تشخیص می‌دهد. دزد که شکست خورده، تلاش می‌کند پول جعلی نزدیک‌تر به واقعی تولید کند. بازهم پلیس تشخیص می‌دهد، اما این‌بار متوجه می‌شود که دزدها کمی پیشرفت کرده‌اند. چون، پول‌های جعلی جدید نسبت به قبلی‌ها تفاوت‌هایی دارند. پس توانایی تشخیص پول جعلی/واقعی پلیس افزایش می‌یابد. بازهم دزدِ شکست خورده تلاش می‌کند و پلیس… می‌بینید؟ این جنگ بین دزد و پلیس همین‌طور ادامه می‌یابد. به‌گونه‌ای که دزد درحال تولید پول بسیار باکیفیتی است که ما مردم عادی ممکن است گول بخوریم. اما پلیس آموزش‌دیده می‌تواند تشخیص دهد که جعلی است. پس دزد و پلیس در عین رقابت، درحال یادگیری و پیشرفت هم هستند.

    شبکه GAN با نگاهی علمی‌تر

    حالا می‌خواهم توضیحات بالا را به زبان علمی بیان کنم. دقت کنید، مطابق شکل زیر، دزد و پلیس در شبکه GAN دو شبکه عصبی هستند. شبکه عصبی MLP، شبکه عصبی کانولوشن یا هر شبکه مناسب دیگری… دیگر بهتر است بجای دزد و پلیس به‌عنوان مولد و ممیز، از دو کلمه Generator و Discriminator استفاده کنیم. Generator که آشناست (همان مولد)، اما Discriminator یعنی جداساز. یعنی جداکننده واقعی/جعلی ازهم. این Discriminator و Generator بدخواه هم هستند و باهم خصومت دارند! به همین خاطر هست که به این شبکه Generative Adversarial Network گفته می‌شود. شبکه‌ای که مولد هست و برپایه خصومت بین دو شبکه مولد و ممیز شکل گرفته است. به‌صورت خلاصه این دو کلمه را با G و D نشان می‌دهم.

    شبکه GAN
    شکل 4: دو شبکه عصبی نمادین مولد (Generator) و ممیز (Discriminator)

    بیایید این دو شبکه G و D را به‌هم وصل کنیم. چگونه؟ قاعدتا اینگونه است که شبکه G داده تولید می‌کند و شبکه D بررسی می‌کند که این داده جعلی است یا واقعی… پس خروجی شبکه G به‌عنوان ورودی به شبکه D داده می‌شود. یعنی شکل زیر:

    شبکه عصبی گن
    شکل 5: اتصال شبکه مولد به ممیز

    خب تکلیف داده‌های جعلی مشخص شد. اما مگر D نباید داده جعلی/واقعی را تشخیص دهد؟ ساختار بالا که همیشه داده جعلی به شبکه D می‌دهد! اصلا هیچ داده واقعی وارد این شبکه نمی‌شود. پس لازم است ساختار بالا اصلاح شود. برای شبکه D یک ورودی دیگر هم درنظر می‌گیریم. این ورودی شامل داده‌های واقعی است. به شکل زیر نگاه کنید. برای داده‌های واقعی هم که یک عالمه داده در دنیای واقعی وجود دارد. باید از این داده‌های واقعی استفاده کنیم.

    شبکه عصبی متخاصم مولد
    شکل 6: شبکه عصبی GAN با داده جعلی و واقعی

    ساختار شبکه عصبی GAN

    ساختار بالا یک نقص دیگر هم دارد. شبکه G هیچ‌گونه ورودی ندارد! انتظار داریم یک ورودی به شبکه G بدهیم تا یک داده جعلی تولید کند. روی هوا که داده تولید نمی‌کند! 😅 در شکل زیر یک ورودی به‌نام z برای شبکه G درنظر گرفته شده است. در شکل 7 ساختار کامل شبکه GAN را می‌بینید که داده جعلی تولید شده توسط G و داده واقعی به‌عنوان ورودی به شبکه D داده می‌شود.

    ساختار شبکه gan
    شکل 7: ساختار شبکه GAN

    چه داده‌ای باید به شبکه G داده شود تا یک داده جعلی برای ما تولید کند؟ نویز! ساده بگویم داده رندوم!

    حالا بیایید بازهم صحبت را علمی‌تر کنیم و به جزئیات روابط شبکه GAN بپردازیم.

    معماری شبکه عصبی GAN

    همان‌طور که تا اینجا توضیح داده شد، شبکه عصبی GAN از دو شبکه D و G تشکیل شده است. شبکه G نقش مولد را دارد و داده تولید می‌کند. شبکه D نقش جداسازی داده واقعی و داده تولیدی از هم را دارد. یکی پس از دیگری مجموعه‌ای داده جعلی/واقعی به شبکه D داده می‌شود و این شبکه به جداسازی داده‌ها می‌پردازد. درمورد معماری شبکه GAN توضیح دادیم. اما این شبکه چگونه آموزش می‌بیند؟ بهتر بگویم دو شبکه G و D چگونه آموزش می‌بینند؟

    نحوه آموزش شبکه GAN

    به مثال دزد و پلیس برگردیم؛ پلیس همواره با جدیدترین روش‌های جعل آشنا هست. حتی اگر درست هم تشخیص ندهد، بعدا متوجه می‌شود که اشتباه کرده… طبیعتا دزد هم همواره رفتار پلیس را زیر نظر دارد تا ببیند جدیدترین هنرش از فیلتر پلیس رد می‌شود یا نه! پس او هم از رفتار پلیس درس می‌گیرد. حالا می‌خواهم همین توضیحات را علمی بیان کنم. دو حالت وجود دارد:

    • شبکه D به دنبال این است که هر داده با هر کیفیتی از G می‌آید، به‌عنوان جعلی شناسایی کند. همچنین، هر داده از سمت واقعی را هم به‌عنوان واقعی برچسب بزند. هدف D: هم شکست G و هم شناسایی داده واقعی.
    • شبکه G به‌دنبال این است که داده تولیدی‌اش از شبکه D به سلامت بگذرد و برچسب داده واقعی دریافت کند. هدف G: شکست D.

    با توضیحات بالا، همه چیز در گروی تصمیم D است. بنابراین، خروجی شبکه D است که به توابع اتلاف متصل شده است. گفتم توابع اتلاف، نه تابع اتلاف! چون، دو تابع اتلاف Discriminator و Generator داریم که در شکل  زیر نشان داده شده است.

    تابع اتلاف در شبکه عصبی
    شکل 8: توابع اتلاف در شبکه عصبی GAN

    دو تابع اتلاف Discriminator و Generator داریم که در ادامه توضیح می‌دهم.

    تابع اتلاف Discriminator در شبکه عصبی GAN

    تابع اتلاف Discriminator، طبق شکل پایین، این تابع اتلاف نتایج پیش‌بینی جعلی/واقعی شبکه D را بررسی می‌کند. مقدار اتلاف براساس میزان اشتباه‌های شبکه D محاسبه می‌شود. درنهایت، خطا پس‌انتشار و پارامترها آپدیت می‌شود. این تابع اتلاف دوجمله دارد. یک جمله برای ورودی واقعی (x) و دیگری برای ورودی جعلی ((G(z). جمله اول تابع اتلاف برای ورودی واقعی به‌صورت زیر است:

    در رابطه بالا، σ تابع تحریک سیگموید هست که مقدار خروجی آن بین 0 تا 1 خواهد شد. زمانی‌که خروجی 1 باشد، یعنی داده از نظر D یک داده واقعی است. اگر عدد خروجی سیگموید به عدد 1 نزدیک باشد، مقدار لگاریتم برابر با 0 می‌شود. یعنی اتلافی نداریم! درست است، چون شبکه D به‌درستی تشخیص داده که ورودی x یک داده واقعی است.

    برویم سراغ جمله دوم، یعنی ورودی جعلی ((G(z). می‌خواهیم که شبکه D بگوید اینها تماما جعلی هستند و خروجی 0 برای این نوع ورودی‌ها تولید کند. پس کافی است بنویسیم:

    خب حالا باید دو عبارت بالا را باهم جمع کنیم و تابع اتلاف Discriminator را بنویسیم:

    رابطه 1: تابع اتلاف Discriminator

    باید LD را ماکزیمم کنیم. بله، ماکزیمم! چرا؟! عبارت داخل لگاریتم‌ها عددی بین 0 و 1 است. لگاریتم هم برای ورودی کوچکتر از 1، خروجی منفی می‌دهد. پس، عبارت بالا همواره کوچکتر-مساوی صفر خواهد بود. حال، باید این رابطه را ماکزیمم کنیم که به صفر برسیم! 😉 یا اینکه مثل شبکه های عصبی دیگر، یک منفی (-) پشت رابطه بالا می‌گذاریم تا هدفمان رسیدن به حداقل اتلاف باشد. آن‌وقت باید تابع بالا با یک منفی را مینیموم کنیم.

    تابع اتلاف در شبکه gan
    شکل 9: شبکه عصبی GAN همراه با تابع اتلاف و بهینه سازی (بروزرسانی پارامترها)

    تابع اتلاف Generator در شبکه عصبی GAN

    تابع اتلاف Generator، طبق شکل بالا، این تابع اتلاف براساس تشخیص D درمورد جعلی/واقعی بودن داده G تعیین می‌شود. ساده‌اش اینطور می‌شود که شبکه D به تابع اتلاف Generator می‌گوید، این داده‌ها همه جعلی هستند. تابع اتلاف G بررسی می‌کند و مقدار اتلاف محاسبه می‌شود. اما اینجا یک نکته مهم وجود دارد. حداقل کردن این عبارت یعنی موفقیت G در تولید داده جعلی در حد واقعی و گول خوردن D در تشخیص داده‌های جعلی. شبکه G می‌خواهد خروجی به‌سمت عدد 1 برود. یعنی برچسب داده واقعی بخورد. پس تابع اتلاف Generator برابر است با:

    رابطه 2: تابع اتلاف Generator

    رابطه LG را هم باید ماکزیمم کنیم. یا اینکه یک منفی پشت عبارت اتلاف قرار دهیم تا هدف عوض شود و LG را حداقل کنیم. این هم از تابع اتلاف Generator و تمام…

    فرآیند آموزش شبکه گن

    در این قسمت می‌خواهم به‌صورت خلاصه مراحل آموزش شبکه GAN را توضیح دهم. مراحل آموزش شبکه GAN عبارتنداز:

    1. یک بچ داده واقعی X انتخاب می‌کنم.
    2. این بچ داده واقعی را به شبکه D می‌دهم. خروجی (D(X را از سیگموید می‌گذارنم.
    3. یک بچ داده رندوم Z تولید می‌کنم.
    4. این بچ داده رندوم را به شبکه G می‌دهم. خروجی شبکه G معادل با داده‌های جعلی واقعی‌نماست. G(Z)
    5. داده جعلی را به شبکه D می‌دهم. خروجی D(G(Z)) را از سیگموید می‌گذرانم.
    6. حالا مقدار اتلاف را طبق رابطه 1 محاسبه می‌کنم.
    7. مقدار اتلاف را پس‌انتشار می‌دهم تا وزن‌های شبکه D آپدیت شود.
    8. حالا می‌خواهم وزن‌های شبکه G را هم آپدیت کنم. براساس همان خروجی مرحله 5، مقدار اتلاف را با رابطه 2 حساب می‌کنم.
    9. مقدار اتلاف را پس‌انتشار می‌دهم تا وزن‌های شبکه G آپدیت شود.
    10. 9 مرحله بالا آنقدر تکرار می‌شود تا به وزن‌های بهینه برای شبکه D و G برسیم.

    به پایان جلسه شبکه عصبی GAN رسیدیم. طبیعتا صحبت درباره شبکه عصبی GAN بسیار است. می‌توانیم بسیار درباره ریاضیات شبکه عصبی GAN و کاربردهایش صحبت کنیم. اما فعلا درهمین حد کافی است. سعی کردم به اندازه‌ای توضیح داده‌ام که به‌صورت پایه‌ای با شبکه GAN آشنا شوید. از اینکه شما هوسم را دنبال می‌کنید، بسیار خوشحالیم. با هوسم همراه باشید…

    اشتراک گذاری:

    مطالب زیر را حتما مطالعه کنید

    یادگیری انتقالی
    یادگیری انتقالی یا Transfer Learning به معنای استفاده از یک مدل از پیش آموزش‌دیده در...
    شبکه VGG
    شبکه VGG یکی از معماری‌های موفق و معروف در حوزه یادگیری عمیق است که در...
    مهندسی پرامپت
    امروزه، با ظهور ChatGPT و سایر ابزارهای هوش مصنوعی، طیف گسترده‌ای از افراد، از کاربران...
    مدل nanoGPT
    در سال ۲۰۱۹، OpenAI مدل GPT-2 را معرفی کرد. OpenAI، برخلاف مدل‌های بعدی (GPT-3 و...
    شگفت‌انگیزترین ایده هوش مصنوعی از نظر Andrej Karpathy
    هوش مصنوعی به سرعت در حال پیشرفت هست. به‌گونه‌ای که باید زمان و انرژی زیادی...
    شبکه ویژن ترنسفورمر
    شبکه ویژن ترنسفورمر (Vision Transformer) یا ViT یک شبکه عصبی مبتنی بر مدل ترنسفورمر هست...

    37 دیدگاه

    به گفتگوی ما بپیوندید و دیدگاه خود را با ما در میان بگذارید.

    • moshpr گفت:
      2025/05/20 در 9:43 ق.ظ

      درود بر شما وقت بخیر
      سپاس بابت اموزش های خوبتون
      جسارتا فقط اگر برای هر بخش منبع هم معرفی کنید خیلی بهتر میشه.

      پاسخ
    • moshpr گفت:
      2025/01/18 در 7:37 ب.ظ

      سپاس بابت نوشتن این مقاله .بسیار مفید و روشن بود.

      پاسخ
      • هوسم گفت:
        2025/01/19 در 5:26 ب.ظ

        ممنون 🙏🌹

        پاسخ
    • مصطفی حقی گفت:
      2024/11/04 در 11:43 ق.ظ

      سلام. خیلی ممنون. خسته نباشید.
      در نظر داشته باشید که متخاصم بودن صرفا به discriminator اشاره نمی کنه و استراتژی خصمانه و رویکرد تقابلی رو هر دو ماژول مولد و تمایز دهنده نسبت به هم ایفا می کنند

      پاسخ
      • هوسم گفت:
        2024/11/05 در 10:42 ق.ظ

        سلام
        بله، درست هست. معادل فارسی مناسب برای کلمه Discriminator، ممیز هست. متن اصلاح شد.
        ممنون از شما بابت دقت نظر و کامنت 🌹🙏

        پاسخ
        • رضا گفت:
          2024/11/08 در 7:49 ب.ظ

          عالی بود

          پاسخ
          • هوسم گفت:
            2024/11/09 در 10:20 ق.ظ

            سپاس 🙏🌹

            پاسخ
    • S.M.A.KH گفت:
      2023/12/13 در 10:27 ق.ظ

      سلام ،
      دم تون گرم از هیچ سایتی اینقدر واضح مفهوم شبکه های GAN یاد نگرفته بودم .

      پاسخ
    • سید گفت:
      2023/04/16 در 4:40 ب.ظ

      سلام
      خدا خیرتون بده
      خیلی وقت بود دنبال این بودم که GAN رو به زبان یه بچه 5 ساله یاد بگیرم
      بسیار مفید بود
      ممنون

      پاسخ
    • کمال گفت:
      2022/12/22 در 10:54 ق.ظ

      سلام
      خیلی عالی بود متشکرم

      پاسخ
    • وحیدی گفت:
      2022/01/24 در 2:02 ب.ظ

      سلام.
      خیلی مفید و عالی
      لطفا منابع خوب و بیشتری از GAN رو هم معرفی کنید
      منابعی که پایه ای تر اما قابل فهم توضیحش داده باشن
      ممنون

      پاسخ
    • Mneda گفت:
      2021/12/12 در 7:23 ق.ظ

      خیلی عالی

      پاسخ
      • تیم هوسم گفت:
        2021/12/13 در 10:13 ق.ظ

        سپاس 🌹🙏

        پاسخ
    • ناشناس گفت:
      2021/11/15 در 8:37 ب.ظ

      سلام. خیلی عالی توضیح دادین. خدا خیرتون بده. بسی ممنون

      پاسخ
      • تیم هوسم گفت:
        2021/11/16 در 10:52 ق.ظ

        سلام
        خیلی ممنون بابت کامنت و دعای خیر 😊🙏

        پاسخ
    • مهدیه گفت:
      2021/07/27 در 4:05 ب.ظ

      سلام خیلی عالی و روان توضیح داده بودید خیلی ممنونم ازتون

      پاسخ
      • تیم هوسم گفت:
        2021/07/28 در 12:31 ب.ظ

        سلام
        سپاس 🌹🙏

        پاسخ
      • مینا گفت:
        2023/04/22 در 11:05 ب.ظ

        عالی بود

        پاسخ
    • سمیه گفت:
      2021/07/11 در 1:16 ب.ظ

      سلام عالی است خسته نباشید

      پاسخ
      • تیم هوسم گفت:
        2021/07/12 در 10:40 ق.ظ

        سلام
        سپاس 🌹🙏
        موفق باشید…

        پاسخ
    • مژپان گفت:
      2021/06/23 در 12:37 ب.ظ

      سلام.خیلی ممنون از توضیح ساده و روانتون

      پاسخ
      • تیم هوسم گفت:
        2021/06/23 در 2:01 ب.ظ

        سلام
        سپاس 🌹🙏

        پاسخ
    • مجتبی گفت:
      2021/05/07 در 5:10 ب.ظ

      با سلام و خدا قوت
      من دانشجوی ارشد هوش مصنوعی هستم و شما مطالب مربوط به این حوزه را بسیار خوب توضیح داده اید.
      ان شاله که ادامه داشته باشد .
      لطفا توضیحات سطح بالاتر رانیز مد نظر قرار دهید.باتشکر

      پاسخ
      • تیم هوسم گفت:
        2021/05/08 در 12:53 ق.ظ

        سلام
        سپاس 🌹🙏
        به امید خدا پرانرژی ادامه میدیم…

        پاسخ
        • شهلا گفت:
          2023/07/24 در 12:28 ب.ظ

          سلام
          از همه عزیزان گروه هوسم تشکر میکنم,خیلی مفید و آموزنده بود.امیدوارم پایدار باشید.

          پاسخ
    • sahar گفت:
      2021/02/23 در 5:03 ب.ظ

      سلام.و وقت بخیر.
      بسیار عالی و روان نوشته شده بود.خداقوت

      پاسخ
      • تیم هوسم گفت:
        2021/02/23 در 5:05 ب.ظ

        سلام
        سپاس 🌹🙏

        پاسخ
    • مهسا گفت:
      2021/01/06 در 11:05 ق.ظ

      اموزشاتو.ن خیلی عالیه لطفا همین طور بی نظیر ادامه بدین و مثال پیاده سازی رو هم بزنین لطفا

      پاسخ
      • تیم هوسم گفت:
        2021/01/06 در 11:41 ق.ظ

        سلام
        سپاس 🌹🙏
        به امید خدا ادامه میدیم و تلاش میگنیم همواره کیفیت مطالب رو بهتر کنیم.
        بعد از تشریح شبکه GRU پیاده‌سازی‌ها رو شروع می‌کنیم.

        پاسخ
    • فاطمه گفت:
      2020/12/05 در 3:23 ب.ظ

      سلام ممنون ولی هنوز منتظر GRU و LSTM هستیم

      پاسخ
      • تیم هوسم گفت:
        2020/12/05 در 5:53 ب.ظ

        سلام
        سپاس 🌹🙏
        چشم‌، پست‌های بعدی به ترتیب اینها هستند:
        شبکه عصبی lstm
        شبکه عصبی gru
        شبکه ترنسفورمر

        پاسخ
        • zasghari.606@gmail.com گفت:
          2020/12/11 در 4:27 ب.ظ

          سلام و تشکر
          بی صبرانه منتظریم…………

          پاسخ
          • تیم هوسم گفت:
            2020/12/11 در 11:43 ب.ظ

            سلام
            نگارش شبکه LSTM شروع شده… 🙏

            پاسخ
        • علی گفت:
          2021/05/30 در 10:33 ق.ظ

          سلام وقتتون بخیر
          LSTM رو خوندم خوب بود ولی بعضی جاها کاش علائم رو بیشتر توضیح می‌دادید
          بی صبرانه منتظر GRU و ترنسفورمر هستیم

          پاسخ
          • تیم هوسم گفت:
            2021/05/30 در 12:22 ب.ظ

            سلام
            انشالله بازبینی میکنیم.
            ممنون 🌹🙏

            پاسخ
    • بابک گفت:
      2020/11/10 در 1:05 ب.ظ

      مختصر و مفید..ممنون

      پاسخ
      • تیم هوسم گفت:
        2020/11/10 در 1:09 ب.ظ

        سلام
        سپاس 🌹

        پاسخ

    دیدگاهتان را بنویسید لغو پاسخ

    جستجو برای:
    فهرست مطالب دوره
    • معرفی دوره یادگیری عمیق رایگان
    • جلسه 00: یادگیری عمیق چیست
    • جلسه 01: ساختار نورون مصنوعی
    • جلسه 02: یادگیری نورون مصنوعی
    • جلسه 03: شبکه عصبی mlp
    • جلسه 04: دسته بندی با mlp و تنسورفلو
    • جلسه 05: رگرسیون با mlp و تنسورفلو
    • جلسه 06: شبکه عصبی کانولوشنی (CNN)
    • جلسه 07: شبکه عصبی بازگشتی (RNN)
    • جلسه 08: شبکه عصبی LSTM
    • جلسه 09: شبکه GRU
    • جلسه 10: شبکه ترنسفورمر
    • جلسه 11: شبکه ویژن ترنسفورمر
    • جلسه 12: شبکه عصبی GAN
    • جلسه 13: شبکه اتوانکدر
    دوره‌های جامع هوسم
    • پیاده‌سازی ChatGPT از صفر با پایتورچ
    • آموزش OpenCV: از پردازش تا بینایی
    • دیپ کاتالیست: دوره افزایش مهارت
    • پایتون برای هوش مصنوعی 🤖
    • یادگیری ماشین جامع: از مفاهیم تا پیاده‌سازی🔥
    • یادگیری عمیق جامع: از مفاهیم تا پیاده‌سازی
    • دوره متلب سوپراستارتر
    درباره هوسم

    آکادمی هوش مصنوعی هوسم با آموزش‌های تخصصی در حوزه هوش مصنوعی در خدمت شماست. روی کمک هوسم حساب کنید…

    • گیلان- شهرستان رودسر- شهرک انصاری- کوچه لاله 9
    • 09025469248
    • howsam.mail@gmail.com
    دسترسی سریع
    • صفحه اصلی
    • وبلاگ
    • حساب کاربری
    • سبد خرید
    شبکه‌های اجتماعی

     

    logo-samandehi
    تمامی حقوق برای آکادمی هوسم محفوظ است.
      کد تخفیف شما هست و فقط
      فرصت داری ازش استفاده کنی!
      کد تخفیف شما هست و فقط
      فرصت داری ازش استفاده کنی!
      کد تخفیف شما هست و فقط
      فرصت داری ازش استفاده کنی!
      کد تخفیف شما هست و فقط
      فرصت داری ازش استفاده کنی!
      کد تخفیف شما هست و فقط
      فرصت داری ازش استفاده کنی!

      ورود

      رمز عبور را فراموش کرده اید؟

      هنوز عضو نشده اید؟ عضویت در سایت