gan.tex 19.3 KB
Newer Older
Loïc Barrault's avatar
Loïc Barrault committed
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
%!TEX root = m2_DL_GANS.tex

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%\begin{frame}
%  \frametitle{}
%\begin{block}{}
%    \begin{itemize}
%    \item TEMPLATE
%    \end{itemize}
%\end{block}
%\end{frame}




%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{Modèles discriminants vs. modèles génératifs}

\begin{block}{Modèle discriminant}
    \begin{itemize}
    \item Apprend une fonction qui fait correspondre les données d'entrée $\vx$ à une certaine classe de sortie $y$
23
24
25
    \item Modélise la probabilité conditionnelle $p(y|\vx)$
    \item Peut être utilisé pour la classification
    \item Nécessite des données annotées ! (exemple, classe)
Loïc Barrault's avatar
Loïc Barrault committed
26
27
    \end{itemize}
\end{block}
28
29
30
31
32
\end{frame}

\begin{frame}
  \frametitle{Modèles discriminants vs. modèles génératifs}

Loïc Barrault's avatar
Loïc Barrault committed
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
\begin{block}{Modèle génératif}
    \begin{itemize}
    \item Apprend une fonction estimant la distribution de probabilités jointe des entrées $\vx$ et des sorties $y$ 
    \item Modélise la distribution de probabilités jointe $p(\vx, y)$
    \item Peut être utilisé pour la classification :
    	\begin{itemize}
	\item Règle de Bayes: $p(\vx, y) =  p(y | \vx)p(\vx)$
    	\end{itemize}
    \item[\ra] MAIS l'intérêt réside dans la possibilité de \textbf{créer/générer} de nouveaux exemples (\vx,y)
    \item Possibilité de \textbf{comprendre} et \textbf{expliquer} la structure sous-jacente des données d'entrée
    \item Sans même avoir de données annotées !
    \end{itemize}
\end{block}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : formalisation}
\begin{block}{}
    \begin{itemize}
    \item Soit :
    	\begin{itemize}
	\item $q(\vx)$ : distribution marginale des \textbf{données}
	\item[\ra] On ne la connait pas ! + on ne veut pas poser d'a priori sur sa forme
    	\item $p(\vx)$ : la distribution marginale du \textbf{modèle}
	\begin{itemize}
	\item $p(\vx) = \int p(\vz)p(\vx|\vz) d\vz$
	\end{itemize}
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
	
	\begin{textblock*}{150mm}[0,0](10mm,30mm)
	 \only<1>{\includegraphics[valign=t, width=0.85\textwidth]{figures/gan_architecture_1} }
	 \only<2>{\includegraphics[valign=t, width=0.85\textwidth]{figures/gan_architecture_2} }
	 \only<3>{\includegraphics[valign=t, width=0.85\textwidth]{figures/gan_architecture_3} }
	 \only<4>{\includegraphics[valign=t, width=0.85\textwidth]{figures/gan_architecture_full} }
    	\end{textblock*}
   \end{itemize}
      \end{itemize}
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN  : entraînement}
\begin{block}{Jeu Min-Max entre le Générateur et le Discriminateur}
    \begin{itemize}
    \item Le discriminateur essaie de différencier les exemples issus du corpus d'entraînement de ceux générés par le générateur
    \item Le générateur essaie de \textbf{tromper} le discriminateur
    \item[\ra] pour cela il va devoir générer des exemples réalistes !
    \item Formalisation :
    \begin{eqnarray}
    \min_G \max_D V(D;G) &=& \mathbb{E}_{q(\vx)} [\log(D(\vx))]  + \mathbb{E}_{p(\vz)} [\log(1-D(G(\vz)))] \nonumber \\
    					&=& \int q(\vx) \log(D(\vx))d\vx + \iint p(\vz)p(\vx | \vz) \log(1-D(\vx))d\vx d\vz \nonumber
    \end{eqnarray}
    \item[]
    \end{itemize}
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{Min-Max : quelques explications}
\begin{block}{}
    \begin{itemize}
        \item Formalisation :
   \small{ \begin{eqnarray}
    \liumcyan{\min_G} ~\liumbrown{\max_D} V(D;G) &=& \cyan{\mathbb{E}_{q(\vx)} [\log(D(\vx))]}  + \orange{\mathbb{E}_{p(\vz)} [\log(1-D(G(\vz)))]} \nonumber 
    \end{eqnarray}} 
    \item $\liumcyan{\min_G}$ : le générateur cherche à minimiser cette expression
    \item $\liumbrown{\max_D}$ : le discriminateur cherche à maximiser cette expression
    \item $\cyan{\mathbb{E}_{q(\vx)} [\log(D(\vx))]}$ : grand si le discriminateur a donné une valeur proche de 1 à un exemple de la base d'entraînement
    \item $\orange{\mathbb{E}_{p(\vz)} [\log(1-D(G(\vz)))]}$ : grand si le discriminateur a donné une valeur proche de 0 à un exemple de la base d'entraînement
    \item[\ra] Le générateur est entraîné pour produire des exemples $G(\vz)$ qui va minimiser cette expression
    \item[\ra] pour cela il va devoir générer des exemples réalistes que le discriminateur ne peut pas différencier des vrais
    \item[]
Loïc Barrault's avatar
Loïc Barrault committed
109
110
111
    \end{itemize}
\end{block}
\end{frame}
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}[fragile]
  \frametitle{GAN exemple : estimation d'une gaussienne en 1D}

%\begin{columns}
%\begin{column}{.49\textwidth}
\begin{block}{Les données}
    \begin{itemize}
    \item On veut estimer une distribution gaussienne $\mathcal{N}(\mu, \sigma^2)$
    \begin{itemize}
	\item ex., pour 1 dimension : $\mathcal{N}(4, 0.5)$ \\
%	\centerline{\includegraphics[valign=t, width=0.4\textwidth]{figures/gaussienne}}
    \end{itemize} 
    \item[]
    \item[]
    \end{itemize}
\end{block}

 \begin{textblock*}{100mm}[0,0](100mm,8mm)
	 \includegraphics[valign=t, width=0.40\textwidth]{figures/gaussienne}
 \end{textblock*}
   
\begin{block}{Code}
\small{
%\begin{lstlisting}[language=python,basicstyle=\ttfamily,keywordstyle=\color{cyan}]
\begin{python}
class DataDistribution(object):
    def __init__(self):
        self.mu = 4; self.sigma = 0.5
    def sample(self, N):
        samples = np.random.normal(self.mu, self.sigma, N)
        samples.sort()
        return samples
\end{python}
%\end{lstlisting}
}
\end{block}
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}[fragile]
  \frametitle{GAN : Générateur}
\begin{block}{Générateur}
    \begin{itemize}
    \item Réseau de neurones 
    \item Entrée : bruit = valeurs générées aléatoirement dans un certain intervalle
    \begin{itemize}
	\item pour notre exemple : échantillonnage stratifié
	\item[\ra] échantillons générés uniformément dans un intervalle, puis perturbés aléatoirement
    \end{itemize}
    \item  2 couches : une non linéaire, suivie d'une linéaire
    \end{itemize}
\end{block}

\begin{block}{Code}
\small{
%\begin{lstlisting}[language=python,basicstyle=\ttfamily,keywordstyle=\color{cyan}]
\begin{python}
def generator(input, hidden_size):
    h0 = tf.nn.softplus(linear(input, hidden_size, 'g0'))
    h1 = linear(h0, 1, 'g1')
    return h1
\end{python}
%\end{lstlisting}
}
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}[fragile]
  \frametitle{GAN : Discriminateur}
\begin{block}{Discriminateur}
    \begin{itemize}
    \item Entrée : valeurs issues de la vraie distribution ou valeurs issues du générateur
    \item  4 couches non linéaires, 3 tanh et 1 sigmoïd
    \item sigmoïde : valeur dans [0,1] ($\sim$probabilité) correspondant à $p(échantillon~généré)$
    \item Note: discriminateur a une capacité plus grande pour pouvoir séparer les distributions
    \end{itemize}
\end{block}

\begin{block}{Code}
\small{
%\begin{lstlisting}[language=python,basicstyle=\ttfamily,keywordstyle=\color{cyan}]
\begin{python}
def discriminator(input, hidden_size):
    h0 = tf.tanh(linear(input, hidden_size * 2, 'd0'))
    h1 = tf.tanh(linear(h0, hidden_size * 2, 'd1'))
    h2 = tf.tanh(linear(h1, hidden_size * 2, 'd2'))
    h3 = tf.sigmoid(linear(h2, 1, 'd3'))
    return h3
\end{python}
%\end{lstlisting}
}
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}[fragile]
  \frametitle{GAN : Discriminateur / Erreur}
\begin{block}{Erreur du discriminateur}
    \begin{itemize}
    \item Sortie du discriminateur = probabilité \ra\ entropie croisée
    \end{itemize}
\end{block}

\begin{block}{Code}
\small{
%\begin{lstlisting}[language=python,basicstyle=\ttfamily,keywordstyle=\color{cyan}]
\begin{python}
self.x = tf.placeholder(tf.float32, shape=(params.b_size, 1))
with tf.variable_scope('D'):
  self.D1 = discriminator(
    self.x, params.hidden_size, params.minibatch )
with tf.variable_scope('D', reuse=True):
  self.D2 = discriminator(
    self.G, params.hidden_size, params.minibatch )

# Define the loss for discriminator and generator networks
self.loss_d = tf.reduce_mean(-log(self.D1) - log(1 - self.D2))
self.loss_g = tf.reduce_mean(-log(self.D2))
\end{python}
%\end{lstlisting}
}
\end{block}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}[fragile]
  \frametitle{GAN : Entraînement}
\begin{block}{Entraînement}
    \begin{itemize}
    \item On alterne l'optimization du Discriminateur et du Générateur
    \end{itemize}
\end{block}

\begin{block}{Code}
\small{
 \begin{python}
with tf.Session() as session:
 tf.initialize_all_variables().run()
 for step in range(num_steps):
   # update discriminator
   x = data.sample(b_size)
   z = gen.sample(b_size)
   session.run([loss_d, opt_d], {
     x: np.reshape(x,(b_size,1)), z: np.reshape(z,(b_size,1)) })

   # update generator
   z = gen.sample(batch_size)
   session.run([loss_g,opt_g], { z: np.reshape(z,(b_size,1)) })
\end{python}
}
\end{block}
\end{frame}



%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : approximation d'une gaussienne 1D}
%540x360 => ratio 1.5 
\begin{figure}[h!]
\centering    
\movie[label=show3,width=0.6\textwidth,height=0.3\textwidth,poster
       ,autostart,showcontrols]  %,loop
  {}{generative-adversarial-network-visualization.mov}
 \end{figure} 

\begin{itemize}
\item Au début : distribution du générateur aléatoire (paramètres initiaux)
\item Plus on avance et plus la distribution se rapproche de la \textbf{distribution des données}
\item Au final : la distribution du générateur se superpose à la distribution des données
\item[\ra] distribution très/trop étroite d'ailleurs ! Est-ce normal ? Comment y remédier ?
\end{itemize}

\end{frame}

Loïc Barrault's avatar
Loïc Barrault committed
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{}
  \vspace{\stretch{1}}
\begin{block}{}
    \begin{itemize}
    \item[]
    \item[]
    \item[] \centerline{ \huge {GAN pour le texte} }
    \item[]
    \end{itemize}
\end{block}
\vspace{\stretch{1}}
\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération de texte}
\begin{itemize}
\item Les GANs fonctionnent en rétro-propageant les gradients à travers le Générateur et le Discriminateur.
\item Le texte est généré grâce à une fonction softmax finale 
	\begin{itemize}
	\item sur l'espace du vocabulaire
	\item la sortie du réseau est une distribution de probabilités (unité discrète stochastique).
	\item[\ra] cela ne fonctionne pas bien ensemble
	\end{itemize}
\item Autre vision des choses : le générateur produit une phrase à partir d'un bruit
\item Les paramètres du générateur sont mis à jour petit à petit
\item[\ra] Lorsque l'on modifie un peu les valeurs d'une image \ra\ on obtient une image.
\item Qu'en est-il pour une représentation vectorielle d'une phrase ? 
\item[\ra] Est-ce qu'un vecteur d'une phrase + delta est toujours une phrase ? Laquelle ?
\end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération de texte - Quelques solutions}
\begin{itemize}
\item En utilisant toujours le softmax :
	\begin{itemize}
	\item Utilisation de l'algorithme REINFORCE
	\item Utilisation du Gumbel-softmax
	\item[\ra] cf. \cite{JangGP16Gumbel}
\end{itemize}
\item Supprimer la fonction discrète stochastique en sortie (softmax)
\item[\ra] par ex.: générer un embedding directement
 \end{itemize}
\end{frame}



344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{}
  \vspace{\stretch{1}}
\begin{block}{}
    \begin{itemize}
    \item[]
    \item[]
    \item[] \centerline{ \huge {GAN pour la vision} }
    \item[]
    \end{itemize}
\end{block}
\vspace{\stretch{1}}
\end{frame}

Loïc Barrault's avatar
Loïc Barrault committed
359
360
361
362
363
364
365
366
367
368
369
370


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%\begin{frame}
%\frametitle{Binary Cross Entropy (BCE) loss}
%
%$L = \{ l_1, \dots, l_N\}^T, l_i = -w_i[y_i \cdot \log(v_i) + (1-y_i) \cdot log(1-v_i)]$
%
%\end{frame}



371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images}
\begin{itemize}
\item cf. Blog OpenAI.
\item[]	\centerline{ \includegraphics[valign=t, width=0.6\textwidth]{figures/imagenet_1.jpg} }
\item Images issues de Imagenet (1.2M images), retaillées en 256x256 
\item[\ra] bloc de pixels de taille 1.2M x 256 x 256 x 3
\item[\ra] échantillons du monde visuel qui nous entoure (\textbf{distribution de données réelle})
\end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images}
\begin{itemize}
\item Objectif : construire un modèle capable de générer des images \textbf{réalistes}
\item DCGAN : Deep Convolutional GAN \cite{RadfordMC15}
\item[] \centerline{ \includegraphics[valign=t, width=0.6\textwidth]{figures/dcgan} }
\item Un bruit $\vz$ passe dans un \textbf{réseau convolutionnel profond} afin de générer une image en sortie \ra\ déconvolution
\end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images}
\begin{itemize}
\item Comment entraîner ce générateur ? \ra\ entraînement antagoniste !
\item Un discriminateur (réseau convolutionnel lui aussi) va devoir identifier les vraies images des fausses.
\item[] \centerline{ \includegraphics[valign=t, width=0.9\textwidth]{figures/dcgan_2} }
\item[] \small{Source: \cite{RadfordMC15}, \url{https://sigmoidal.io/beginners-review-of-gan-architectures/"}}
\end{itemize}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images : arithmétique}
\begin{itemize}
\item Rappel: Word2Vec 
	\begin{itemize}
	\item  emb("roi") - emb("homme") + emb("femme") $\leadsto$ emb("reine")
	\end{itemize}
\item<2-> Les images sont représentées par des vecteurs
\item[\ra]<2-> on peut les manipuler ! 
%\item[] \centerline{ \includegraphics[valign=t, width=0.6\textwidth]{figures/vector_arithmetic_vision} }
\item[]
\item[]
\item[]
\item[]
\item[]
\item[]
\item<3-> Calcul avec les pixels :
\end{itemize}

\begin{textblock*}{150mm}[0,0](60mm,20mm)
\only<2->{\includegraphics[valign=t, width=0.5\textwidth]{figures/vector_arithmetic_vision} }
\end{textblock*}

\begin{textblock*}{150mm}[0,0](60mm,63mm)
\only<3->{\includegraphics[valign=t, width=0.5\textwidth]{figures/pixel_arithmetic_vision} }
\end{textblock*}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images : comprendre l'espace de représentation }
\begin{itemize}
\item Expérience contrastive : supprimer les paramètres qui sont activés lorsqu'une fenêtre est dans l'image (chambres)
\item[\ra] Le générateur ne sait plus générer de fenêtres !
\item[] \centerline{ \includegraphics[valign=t, width=0.9\textwidth]{figures/vision_no_windows} }
\item[]
\item[]
\end{itemize}

%\begin{textblock*}{150mm}[0,0](85mm,15mm)
%\only<1->{ \includegraphics[valign=t, width=0.37\textwidth]{figures/interpolation_vision} }
%\end{textblock*}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN pour la génération d'images : comprendre l'espace de représentation }
\begin{columns}
\begin{column}{.5\textwidth}
\begin{itemize}
\item Interpolation de plusieurs points dans $\vz$
%\item[] \centerline{ \includegraphics[valign=t, width=0.8\textwidth]{figures/interpolation_vision} }
\item[\ra] L'espace appris a des transitions douces 
\item[\ra] morphisme 
\end{itemize}
\end{column}
\begin{column}{.5\textwidth}
%\begin{textblock*}{150mm}[0,0](80mm,6mm)
\only<1->{ \includegraphics[valign=t, width=0.9\textwidth]{figures/interpolation_vision} }
%\end{textblock*}
\end{column}
\end{columns}
\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : génération d'image à partir d'une description}

\begin{itemize}
\item[] \centerline{ \includegraphics[valign=t, width=0.7\textwidth]{figures/gan_text_vision} }
\item On conditionne le générateur et le discriminateur avec la description
\item[\ra] cf. cours sur les représentation de séquences (RNN)
\end{itemize}

\end{frame}

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : génération d'image à partir d'une description}

\begin{itemize}
\item[] \centerline{ \includegraphics[valign=t, width=0.9\textwidth]{figures/gan_text_vision_ex1} }
\end{itemize}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{StackGAN : génération d'image à partir d'une description}

\begin{itemize}
\item[] \centerline{ \includegraphics[valign=t, width=0.95\textwidth]{figures/stack_gan} }
\end{itemize}

\end{frame}
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{StackGAN : génération d'image à partir d'une description}

\begin{itemize}
\item[] \centerline{ \includegraphics[valign=t, width=0.95\textwidth]{figures/stack_gan_ex1} }
\end{itemize}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{CycleGAN : traduction image vers image}

\begin{itemize}
\item[] \centerline{ \includegraphics[valign=t, width=0.90\textwidth]{figures/cycle_gan} }
\item $D_Y$ encourage $G$ à traduire $X$ en $\hat{Y}$ semblable au domaine des $Y$
\item $D_X$ encourage $F$ à traduire $Y$ en $\hat{X}$ semblable au domaine des $X$
\item Fonction de coût relatant la cohérence cyclique $x \rightarrow G(x) \rightarrow F(G(x)) \sim x$ 
\item[\ra] \url { https://github.com/junyanz/CycleGAN }
\end{itemize}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{CycleGAN : traduction image vers image}

\centerline{ \includegraphics[valign=t, width=0.80\textwidth]{figures/cycle_gan_ex1} }

\end{frame}





%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : transfer de style}

\begin{itemize}
\centerline { \includegraphics[valign=t, width=0.7\textwidth]{photos/lion.png} }
\item[\ra] \url { https://deepdreamgenerator.com/ }
\end{itemize}

\end{frame}


%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
\begin{frame}
  \frametitle{GAN : transfer de style}

%\begin{tabular}{ccccc}
%\includegraphics[valign=t, width=0.1\textwidth]{photos/ddream1.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream2.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream3.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream4.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream5.jpg} \\
%
%\includegraphics[valign=t, width=0.1\textwidth]{photos/ddream6.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream7.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream8.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream9.jpg}
%& \includegraphics[valign=t, width=0.1\textwidth]{photos/ddream10.jpg}
%\end{tabular}

\centerline { \includegraphics[valign=t, width=0.6\textwidth]{photos/photos} }

\end{frame}































Loïc Barrault's avatar
Loïc Barrault committed
606