O documento discute Generative Adversarial Networks (GANs), que combinam modelos generativos e discriminativos para gerar dados sintéticos. GANs treinam um gerador para criar dados que enganem um discriminador, enquanto o discriminador aprende a distinguir dados reais de falsos. Exemplos mostram GANs gerando imagens a partir de texto e transferindo estilos entre imagens.

1. Geração de Dados com Generative
Adversarial Network (GAN)
Claudio Filipi Gonçalves dos Santos
The Data
1

2. O que é Deep Learning?
Redes Neurais Artificiais com muitas camadas
2

3. O que é Deep Learning?
Parte do Zoo
3

4. O que fazer com Deep Learning?
4

5. Modelos Discriminativos
Classificadores
- Dada uma entrada
- Classifica o dado entre as possíveis classes do modelo
5

6. Modelos Discriminativos
6
Gradient-Based Learning Applied to Document Recognition -
http://yann.lecun.com/exdb/publis/pdf/lecun-01a.pdf

7. Modelos Generativos
Geradores de dados
- Identificam características da entrada
- Cria um novo dado a partir dessas características
7

8. Modelos Generativos
8
Learning Deconvolution Network for Semantic Segmentation -
https://arxiv.org/abs/1505.04366

9. Modelos Generativos
Chatbots!
- Texto de entrada
- Gera-se uma resposta conveniente
9

10. O que são GAN's?
Combinação do modelo generativo com o modelo discriminativo
- Dado gerado por modelo generativo
- Modelo discriminativo verifica se o dado gerado está bom
10

11. Generative Adversarial
- Modelo generativo tenta enganar o modelo discriminativo
- Modelo discriminativo trabalha para não ser enganado
11

12. Como treinar?
Em cada época:
- Treina-se o discriminador com imagens reais e imagens geradas pelo gerador
- Treina-se a pilha de gerador e discriminador
- O GERADOR NÃO É TREINADO SOZINHO!
12

13. Código?
(Keras)
13

14. Modelo Generativo
14

15. Modelo Discriminativo
15

16. Treinamento - Discriminador
16

17. Treinamento - Gerador
17

18. Treinamento - Combinado
18

19. Resultados?
Original
19

20. Resultados?
Época 0
20

21. Resultados?
Época 300
21

22. Resultados?
Época 7500
22

23. Resultados?
Época 29100
23

24. Resultados?
Evolução
24

25. Só gerar números?
25

26. Generative Adversarial
Networks
Praticamente uma nova família
dentro de Deep Learning
26

27. O que mais pode ser feito com GAN?
27

28. Copiar Estilos de
Objetos
Transferir os estilos de um objeto
para um outro totalmente diferente
● Criação de novos objetos que
combinem
● Algo parecido com a imaginação?
28
Learning to Discover Cross-Domain Relations with Generative
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf

29. 29
Learning to Discover Cross-Domain Relations with Generative
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf

30. 30
Learning to Discover Cross-Domain Relations with Generative
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultados:

31. 31
Learning to Discover Cross-Domain Relations with Generative
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultados:

32. Copiar Estilos de
Cenários
Transferir os estilos de um cenário
para um outro totalmente diferente
● Criação de arte
32
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf

33. 33
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf

34. 34
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultados:

35. 35
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultados:

36. 36
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultados:

37. 37
Unpaired Image-to-Image Translation using Cycle-Consistent
Adversarial Networks - https://arxiv.org/pdf/1703.05192.pdf
Resultado Falho:

38. Sintetização de
Imagens a partir de
Texto
A partir de um texto, criar uma
imagem
2 GAN's:
● Uma converte texto em imagem
de baixa resolução
● Outra melhora a qualidade dessa
imagem
38
StackGAN: Text to Photo-realistic Image Synthesis with Stacked
Generative Adversarial Networks - https://arxiv.org/abs/1612.03242

39. 39
StackGAN: Text to Photo-realistic Image Synthesis with Stacked
Generative Adversarial Networks - https://arxiv.org/abs/1612.03242

40. 40
StackGAN: Text to Photo-realistic Image Synthesis with Stacked
Generative Adversarial Networks - https://arxiv.org/abs/1612.03242
Resultados:

41. 41
StackGAN: Text to Photo-realistic Image Synthesis with Stacked
Generative Adversarial Networks - https://arxiv.org/abs/1612.03242
Resultados:

42. Outros Trabalhos
42

43. Muitos papers/pesquisa mas
E na prática?
43

44. Possibilidades
Jogos
Ajudar e agilizar criação de jogos:
● Elaboração de cenários a partir de
rascunhos
● Alternativas de novos cenários a partir
de cenários já existentes
Design
Muita criatividade:
● Alternativa de designs para websites
● Demonstração de design de interiores
para salas
44

45. Possibilidades
Engenharia
Novas construções/produtos:
● Desenho de novos prédios
● Criação de novos motores a partir de
desenho de motores já conhecidos
Biologia
Ajuda em pesquisa:
● Mapeamento genético
● Elaboração de novos medicamentos
45

46. Onde consigo isso
tudo?
Apenas exemplificando o que é
possível tentar fazer
● Há alguns anos nem se
imaginava isso
● Possíveis pesquisas?
46

47. Lembrando:
Falado Apenas sobre Generative Adversarial Networks
● Que é um tópico dentro de Deep Learning
● Que é um tópico dentro de Machine Learning
O que mais vem por ai?
47

48. 48

49. Referências
Paper Original
Generative Adversarial Nets -
https://arxiv.org/pdf/1406.2661v1.pdf
Youtube
Siraj Raval -
https://www.youtube.com/channel/UCWN3xxRkmT
PmbKwht9FuE5A
49
Código Completo
Github - https://github.com/cfsantos/GAN

50. PERGUNTAS?
50

51. OBRIGADO!
Claudio Filipi Gonçalves dos Santos,
CEO & Data Scientist @ THE DATA
claudio@thedata.com.br
www.thedata.com.br
Linkedin -
https://www.linkedin.com/in/cfsantos8
5/
51