讓電腦擁有理解人類語言的能力,就是自然語言處理 (Natural Language Processing,NLP)技術所要解決的問題。近年來隨著深度學習技術的持續進步,針對文字類型資料進行分析,以發掘出其中有用資訊的各種應用已經廣泛地出現在我們的生活當中,例如知名語言模型 GPT-2已經可以生成極為流暢的小說,而且不僅上下文連貫,連情感的表達也超過了人類的預期。
卷積神經網路之父- Yann LeCun曾說過生成式對抗網路(Generative Adversarial Network, GAN)是過去10年機器學習中最有趣的想法,自從2014 年Ian Goodfellow提出初版的GAN後,大量深度學習研究人員紛紛為這模型的潛力所著迷而投入此領域的研發,過去這幾年,更新、更強大的GAN不斷地被提出,使得各種影像生成或是影像轉換等應用的效果愈來愈好,例如StyleGAN已經能生成極為真實的人臉影像,StarGAN可分別轉換人臉的髮型、年齡或膚色; AugGAN可將一張白天影像轉換成晚上、雨天甚至是雨天夜晚,而這可以幫助自動駕駛車辨識系統產生巨量各式各樣行車情境下的訓練資料,以提升辨識率。近年來DeepFake技術也是基於GAN模型的持續進化,許多網路流傳的名人影像甚至無法分別其是否為偽造的,例如抖音上的deeptomcruise(https://www.tiktok.com/@deeptomcruise)
本課程邀請了兩位業界講師分別教授自然語言處理以及生成式對抗網路,所使用的深度學習框架都是現在最受歡迎的PyTorch,針對「自然語言處理」及「生成式對抗網路」說明如下:
自然語言處理 |
生成式對抗網路 |
1. 文字探勘中的分詞技術 2. 網路爬蟲原理與應用 3. 文字雲原理與應用 4. WordNet以及NLP 字詞處理原理與應用 5. RNN與LSTM原理與應用 6. Attention機制, BERT與GPT-2原理與應用 |
1. 手寫數字影像生成:運用Ian Goodfellow所提出的初代GAN實現手寫數字生成。 2. 基礎人臉影像生成:運用DCGAN實現人臉影像生成 (使用CelebA dataset)並使用生成影像提高訓練資料量以提升人臉分類之辨識率 3. 成對影像轉換:運用Pix2pix模型實現建築物影像轉換:給定建築物外觀草圖,將這些草圖轉換為真實的建築物外觀。 4. 非成對影像轉換:運用能從非成對影像中學習的CycleGAN實現馬變斑馬。 5. 日夜街景影像轉換:運用CycleGAN加上Cycle-Object Edge Consistency將白天街景轉為夜晚。 6. DeepFake:運用目前強大的DeepFaceLab進行換臉實作 |
※ 經過本次課程的洗禮,您將學會:(1)自然語言處理的基礎與應用,以及(2)GAN的基本概念以及如何運用不同GAN來實現各種影像生成或是轉換。 |
1. 文字探勘中的分詞技術 2. 網路爬蟲原理與應用 3. 文字雲原理與應用 4. WordNet以及NLP 字詞處理原理與應用 5. RNN與LSTM原理與應用 6. Attention機制, BERT與GPT-2原理與應用 7. 生成式對抗網路基本原理 8. 手寫數字影像生成實作 9. 基礎人臉影像生成實作(DCGAN) 10. 成對與非成對影像轉換實作(Pix2pix與CycleGAN) 11. 日夜街景影像轉換實作(CycleGAN與Cycle-Object Edge Consistency) 12. DeepFake原理簡介 13. DeepFaceLab實作 |
李厚均 老師
林哲聰 老師
實體:工研院產業學院 產業人才訓練一部(台北) (實際地點以上課通知為主!)
線上:線上直播會議室 (使用Cisco Webex Meetings,將於課前提供會議室連結)
線上報名:請點選課程頁面上方之「線上報名」
傳真報名:請填妥報名表傳真至02-2381-1000(傳真後請來電確認,以保障優先報名權益)
E-mail報名:請填妥報名表寄至 itri535842@itri.org.tw
(以上費用已包含講義及教材費)