{"id":178901,"date":"2023-06-24T12:04:56","date_gmt":"2023-06-24T11:04:56","guid":{"rendered":"https:\/\/datascientest.com\/de\/?p=178901"},"modified":"2023-10-30T12:02:21","modified_gmt":"2023-10-30T11:02:21","slug":"stiluebertragung-mit-cyclegan","status":"publish","type":"post","link":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan","title":{"rendered":"Stil\u00fcbertragung mit CycleGAN"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"178901\" class=\"elementor elementor-178901\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-d83ced3 e-flex e-con-boxed e-con\" data-id=\"d83ced3\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;boxed&quot;}\">\n\t\t\t\t\t<div class=\"e-con-inner\">\n\t\t<div class=\"elementor-element elementor-element-684872e e-con-full e-flex e-con\" data-id=\"684872e\" data-element_type=\"container\" data-settings=\"{&quot;content_width&quot;:&quot;full&quot;}\">\n\t\t\t\t<div class=\"elementor-element elementor-element-7227c1e elementor-widget elementor-widget-text-editor\" data-id=\"7227c1e\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#69727d;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#69727d;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<h4><strong>Der Neural Style Transfer (NST) ist eine Sammlung von Modellen und Methoden, die es erm\u00f6glichen, den visuellen Stil von Bildern oder Videos auf ein anderes Bild zu \u00fcbertragen. In diesem Artikel besch\u00e4ftigen wir uns mit einem bestimmten Modell, das CycleGAN hei\u00dft.<\/strong><\/h4>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-7991acc elementor-widget elementor-widget-text-editor\" data-id=\"7991acc\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Heutzutage sind die erfolgreichsten Algorithmen im Bereich NST angepasste <a href=\"https:\/\/datascientest.com\/de\/deep-learning-oder-tiefes-lernen-was-ist-das-denn\">Deep-Learning-Algorithmen,<\/a> die Faltungsschichten verwenden. In der Kunst wird <a href=\"https:\/\/www.tensorflow.org\/tutorials\/generative\/style_transfer\"><strong>NST<\/strong><\/a> am h\u00e4ufigsten verwendet, um aus einer Fotografie und dem Stil eines Malers k\u00fcnstliche Kunstwerke zu schaffen. Es gibt derzeit mehrere (mobile und webbasierte) Anwendungen, die<a href=\"https:\/\/datascientest.com\/de\/style-transfer-deep-learning\"> Stil\u00fcbertragung erm\u00f6glichen, z. B. DeepArt und Reiinakanos<\/a> Blog. So kann man eine Star Wars-Figur (Darth Revan) in ein Gem\u00e4lde verwandeln, das von Paul Klees Werk Clouds over Bor inspiriert ist :<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f337bf1 elementor-widget elementor-widget-image\" data-id=\"f337bf1\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Fichier-2-8.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-19845e3 elementor-widget elementor-widget-heading\" data-id=\"19845e3\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.15.0 - 02-08-2023 *\/\n.elementor-heading-title{padding:0;margin:0;line-height:1}.elementor-widget-heading .elementor-heading-title[class*=elementor-size-]>a{color:inherit;font-size:inherit;line-height:inherit}.elementor-widget-heading .elementor-heading-title.elementor-size-small{font-size:15px}.elementor-widget-heading .elementor-heading-title.elementor-size-medium{font-size:19px}.elementor-widget-heading .elementor-heading-title.elementor-size-large{font-size:29px}.elementor-widget-heading .elementor-heading-title.elementor-size-xl{font-size:39px}.elementor-widget-heading .elementor-heading-title.elementor-size-xxl{font-size:59px}<\/style><h3 class=\"elementor-heading-title elementor-size-default\">Das CycleGAN-Modell, was ist das?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9337dfa elementor-widget elementor-widget-text-editor\" data-id=\"9337dfa\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wie der Name schon sagt, ist CycleGAN eine Art generatives Modell (erstellt von Jun-Yan Zhu et al. f\u00fcr das BAIR-Forschungslabor der UC Berkeley), ein GAN (Generative Adversarial Network), das dazu dient, die Stil\u00fcbertragung auf ein Bild durchzuf\u00fchren. In der Praxis wird die gro\u00dfe Mehrheit der GANs, die zur \u00dcbertragung eines Bildes des Stils einer Dom\u00e4ne X in ein Bild des Stils einer Zieldom\u00e4ne Y verwendet werden, mithilfe eines Zwillingsdatensatzes trainiert, in dem jedes Beispielbild von X ein direkt zugeordnetes Beispielbild in einem anderen Stil Y hat.<\/p><p>CycleGAN zeichnet sich gerade dadurch aus, dass es beim Training keine Bildpaare ben\u00f6tigt. Wenn man ein solches Modell trainiert, kann man sehr gute Leistungen erzielen, ohne jemals Bildpaare zu verwenden, was das Training f\u00fcr bestimmte Datens\u00e4tze, bei denen es keine \u00dcbereinstimmungen gibt, erheblich vereinfacht. Man kann dann den Stil eines Malers f\u00fcr verschiedene Bilder nachahmen, indem man z. B. eine Datenbank mit seinen Bildern verwendet! Zun\u00e4chst wollen wir die <a href=\"https:\/\/datascientest.com\/de\/attgan-ein-tool-zur-veraenderung-von-gesichtsattributen\">Architektur eines GAN vorstellen.<\/a> Wenn du schon einmal einen unserer Artikel \u00fcber GANs gelesen hast, wei\u00dft du, dass ein GAN ein Modell ist, das aus zwei gro\u00dfen Untermodellen besteht, einem Generator und einem Diskriminator:<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-96300ef elementor-widget elementor-widget-image\" data-id=\"96300ef\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/schema_gan_blog_4-121.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Klassische Struktur eines GAN<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5408558 elementor-widget elementor-widget-text-editor\" data-id=\"5408558\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Der Generator ist das Modell, das es erm\u00f6glicht, Bilder aus einem zuf\u00e4lligen <strong>Rauschen zu erzeugen,<\/strong> w\u00e4hrend der Diskriminator (der einen Wert zwischen 0 und 1 annimmt) dazu dient, ein bestimmtes Bild zu klassifizieren, um festzustellen, ob es k\u00fcnstlich ist oder nicht.<\/p><p>Beim Training werden sowohl der Generator als auch der Diskriminator trainiert, damit der Diskriminator immer st\u00e4rker wird, um ein echtes Bild von einem generierten Bild zu unterscheiden, und damit der Generator immer st\u00e4rker wird, um den Diskriminator zu t\u00e4uschen.<\/p><p>W\u00e4hrend des Trainings hat der Generator keinen direkten Zugriff auf die realen Daten, nur der Generator nutzt sie, um sie mit den simulierten Daten zu vergleichen. Die Verlustfunktion f\u00fcr den Diskriminator sind die Fehler, die er bei der Klassifizierung der Daten macht, und die Verlustfunktion f\u00fcr den Generator ist der Erfolg des Diskriminators bei der Unterscheidung von echten Bildern. Einige Modelle verwenden die gleiche Verlustfunktion, die vom Diskriminator minimiert und vom Generator maximiert wird.<\/p><p>Die Struktur von <strong>CycleGAN<\/strong> ist so ausgelegt, dass der Generator G die Verteilung eines Stils X in einen anderen Stil Y \u00fcbersetzt, so dass der Diskriminator den transformierten Stil Y=G(X) nicht vom urspr\u00fcnglichen Stil Y unterscheiden kann.<\/p><p>Es gibt ein Problem, das bei der Anwendung dieser Strategie h\u00e4ufig auftritt: Der Generator \u00fcbersetzt alle Bilder auf die gleiche Weise und kann nur ein einziges Beispiel b erzeugen, was nicht die gew\u00fcnschte Aufgabe ist.<\/p><p>Um dieses Problem zu l\u00f6sen, f\u00fcgt die CycleGAN-Struktur eine Einschr\u00e4nkung hinzu, indem sie einen weiteren Generator F definiert, dessen Aufgabe es ist, die R\u00fccktransformation von G in dem Sinne zu sein, dass FGX\u2248X. Dadurch wird sichergestellt, dass die Transformation von X nicht auf ein einziges Beispiel reduziert wird. Beim Training wird daher eine neue Verlustfunktion hinzugef\u00fcgt, die den zyklischen Konsistenzverlust (cycle consistency loss) charakterisiert und Transformationen dazu ermutigt, die Eigenschaften FGX\u2248X und G(FY)\u2248Y zu \u00fcberpr\u00fcfen. Zus\u00e4tzlich zum Diskriminator f\u00fcr G (den wir DY nennen, weil wir Y von Y diskriminieren wollen) f\u00fcgen wir einen Diskriminator f\u00fcr F (den wir DX nennen) hinzu.<\/p><p>Unten ist ein ein Schema, das die verschiedenen oben beschriebenen Beziehungen zusammenfasst:<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3efcbeb elementor-widget elementor-widget-image\" data-id=\"3efcbeb\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/schema_gan_blog_4-122.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Schema, das die Besonderheit des Modells zusammenfasst<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-aa21bbf elementor-widget elementor-widget-text-editor\" data-id=\"aa21bbf\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Der <strong>Cycle-Consistency-Loss<\/strong> wird dann in zwei verschiedene St\u00fccke aufgeteilt, wobei das erste (1) dem Verlust zwischen den Elementen von X und ihren Rekonstruktionen entspricht und das zweite (2) dem Verlust zwischen den Elementen von Y und ihren Rekonstruktionen entspricht.<\/p><p>In diesem Modell optimieren die Generatoren und <strong>Diskriminatoren dieselbe allgemeine Verlustfunktion<\/strong>, die aus zwei Unterverlustfunktionen besteht, die den Generatoren zugeordnet sind (adversial loss):<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c4aea85 elementor-widget elementor-widget-image\" data-id=\"c4aea85\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1ca4604 elementor-widget elementor-widget-image\" data-id=\"1ca4604\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-eb3f11d elementor-widget elementor-widget-text-editor\" data-id=\"eb3f11d\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">und der zyklischen Konsistenzverlustfunktion:<br \/><\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b663022 elementor-widget elementor-widget-image\" data-id=\"b663022\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e3fe455 elementor-widget elementor-widget-text-editor\" data-id=\"e3fe455\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">die die Gesamtverlustfunktion angibt:<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1e7a658 elementor-widget elementor-widget-image\" data-id=\"1e7a658\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d2c8027 elementor-widget elementor-widget-text-editor\" data-id=\"d2c8027\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p><span style=\"font-weight: 400; color: #000000;\">die von <strong>Diskriminatoren maximiert<\/strong> wird (damit diese gut zwischen Generation und realen Daten unterscheiden k\u00f6nnen) und von Generatoren minimiert wird, damit diese Beispiele erzeugen, die immer weniger von realen Daten unterschieden werden k\u00f6nnen.<\/span><\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-75d1020 elementor-widget elementor-widget-heading\" data-id=\"75d1020\" data-element_type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">Die Architektur von CycleGAN im Detail<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-55a050f elementor-widget elementor-widget-text-editor\" data-id=\"55a050f\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Die beiden Generatoren und die beiden <strong>Diskriminatoren<\/strong> sind in der Architektur vollkommen identisch, d. h. sie bestehen aus den gleichen Schichten und haben die gleichen Abmessungen. Die Generatoren verwenden haupts\u00e4chlich Faltungsschichten und Restbl\u00f6cke (residual blocks).<\/p><p>Die <strong>Faltungsschichten<\/strong> wurden bereits in einem anderen Artikel unseres Blogs ausf\u00fchrlich behandelt und erkl\u00e4rt, den du hier finden kannst. Residualbl\u00f6cke sind sehr einfache Schichten im Deep Learning, die oft f\u00fcr die Stil\u00fcbertragung verwendet werden.<\/p><p>(Auch interessant:<a href=\"https:\/\/datascientest.com\/de\/hugging-face-transformers-was-ist-das\"> Was sind Hugging Face Transformers?)<\/a><\/p><p>Sie sorgen daf\u00fcr, dass sich das Bild nicht zu weit vom Originalbild entfernt, indem sie das Netzwerk nach und nach an das Original erinnern. Formal hat eine solche Schicht die Form :<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-dc2c888 elementor-widget elementor-widget-image\" data-id=\"dc2c888\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/schema_gan_blog_4-123.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Retsblock<\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1253a21 elementor-widget elementor-widget-text-editor\" data-id=\"1253a21\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Wie in Grafik (d) dargestellt, besteht der Restblock nur aus einer normalen Ebene, die am Ende mit dem urspr\u00fcnglichen Eingabewert versehen wird, so dass das Ausgangsbild buchst\u00e4blich nicht zu sehr ver\u00e4ndert wird.<\/p><p>In einigen F\u00e4llen wird auch ein <strong>ReLU<\/strong> angewendet, um die Ausgabe des Layers zu annullieren, falls F(x) negativ zu hoch ist (wo ein Farbbild positive Werte hat). F\u00fcr die Diskriminatoren verwendet das Modell 70 x 70 PatchGANs, d. h. der Diskriminator besteht aus mehreren kleinen GANs, PatchGANs mit einer Anfangsgr\u00f6\u00dfe von 70 x 70, die \u00fcberall auf dem Bild angewendet werden und sich in dem betreffenden Teil des Bildes \u00fcberlappen k\u00f6nnen, wodurch bestimmt wird, ob ein Teil des Bildes echt ist oder nicht. Die endg\u00fcltige Antwort wird dann als der Durchschnitt der Antworten berechnet, die f\u00fcr jeden Patch zur\u00fcckgegeben werden. Jeder<strong> PatchGAN<\/strong> wird eine \u00e4hnliche Architektur haben, die nur aus klassischen Faltungsschichten besteht. Schlie\u00dflich wird das Training mit einer Batchgr\u00f6\u00dfe von 1 und einem klassischen Optimierer durchgef\u00fchrt: Adam.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-cde05ac elementor-widget elementor-widget-image\" data-id=\"cde05ac\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan.jpg\" title=\"\" alt=\"resultat_gan\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-a71824c elementor-widget elementor-widget-text-editor\" data-id=\"a71824c\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>Hier werden einige Ergebnisse vorgestellt, die mit Testbildern durch das zuvor definierte Modell erzielt wurden. Links sind die als Input gelieferten <strong>Originalbilder und rechts die verkl\u00e4rten Bilder zu sehen.<\/strong> Man sieht z. B., dass das Modell, das mit Bildern von Pferden und Zebras trainiert wurde, frei zwischen den verschiedenen Tierstilen wechseln kann.<\/p><p>Ebenso kann es, wenn es mit K\u00fcnstlerbildern trainiert wird, von einer Fotografie zu einem Gem\u00e4lde im Stil von Van Gogh wechseln. Auch bei der Rekonstruktion von Bildern werden sehr gute Ergebnisse erzielt. Denn neben der fast identischen Rekonstruktion des Bildes kann man auch feststellen, dass die Qualit\u00e4t des rekonstruierten Bildes (mit einer besseren Tiefensch\u00e4rfe) im Vergleich zum Basisbild verbessert ist: <\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-3a6c2e9 elementor-widget elementor-widget-image\" data-id=\"3a6c2e9\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t<figure class=\"wp-caption\">\n\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/unnamed-7.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\"><\/figcaption>\n\t\t\t\t\t\t\t\t\t\t<\/figure>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-b6b79bd elementor-widget elementor-widget-text-editor\" data-id=\"b6b79bd\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<p>In diesem Artikel haben wir gesehen, was Stil\u00fcbertragung ist, und insbesondere die Architektur des <strong>CycleGAN-Modells<\/strong>, das von GANs inspiriert ist und eine effiziente Stil\u00fcbertragung erm\u00f6glicht.<\/p><p>CycleGAN ist einer der <a href=\"https:\/\/datascientest.com\/de\/page-rank-algorithmus-unsere-tipps\">besten Algorithmen f\u00fcr die Stil\u00fcbertragung.<\/a> Wir haben au\u00dferdem gesehen, dass dieser Algorithmus im Gegensatz zu fast allen anderen Algorithmen, die Stil\u00fcbertragung erm\u00f6glichen, keine gepaarten Daten ben\u00f6tigt, die in der Praxis schwer zu erhalten sind, und es daher erm\u00f6glicht, <a href=\"https:\/\/datascientest.com\/de\/datenbank-und-code-refactoring-unser-guide\">verschiedene Datenbanken zu trainieren<\/a>, die zuvor unbrauchbar waren, wie z. B. die Datenbanken der Gem\u00e4lde ber\u00fchmter Maler wie Van Gogh. Schlie\u00dflich haben wir gesehen, dass dieses Modell nicht nur eine effiziente Stil\u00fcbertragung, sondern auch eine getreue Bildrekonstruktion bietet, die zu einem Bild mit einer besseren Tiefensch\u00e4rfe f\u00fchrt, was die Stabilit\u00e4t des Algorithmus beweist.<\/p><p>Dieser Algorithmus ist jedoch nicht allm\u00e4chtig, denn er hat Schw\u00e4chen, wenn es darum geht, die geometrischen <strong>Eigenschaften von Bilder<\/strong>n zu ver\u00e4ndern, wie z. B. wenn man eine Katze in einen Hund verwandeln m\u00f6chte, und eignet sich daher nur f\u00fcr die Ver\u00e4nderung von Texturen.<\/p><p>Wenn du mehr \u00fcber die Transformation von Objekten, Deep Learning und k\u00fcnstliche Intelligenz in Bezug auf Bilder erfahren m\u00f6chtest, dann schau dir unsere Ausbildung zum Data Scientist an.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-c0f124f elementor-widget elementor-widget-html\" data-id=\"c0f124f\" data-element_type=\"widget\" data-widget_type=\"html.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<script type=\"application\/ld+json\">.\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{{\n    \"@type\": \"Frage\",\n    \"name\": \"Was ist das CycleGAN-Modell?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Wie der Name schon sagt, ist CycleGAN eine Art generative Vorlage (von Jun-Yan Zhu et al. f\u00fcr das Forschungslabor BAIR der UC Berkeley entwickelt), ein GAN (Generative Adversarial Network), das dazu dient, Stil auf ein Bild zu \u00fcbertragen. In der Praxis wird die gro\u00dfe Mehrheit der GANs, die zur \u00dcbertragung eines Bildes des Stils einer Dom\u00e4ne X in ein Bild des Stils einer Zieldom\u00e4ne Y verwendet werden, mithilfe eines Zwillingsdatensatzes trainiert, in dem jedes Beispielbild von X ein direkt zugeordnetes Beispielbild in einem anderen Stil Y hat. Das Besondere an CycleGAN ist, dass keine Bildpaare f\u00fcr das Training ben\u00f6tigt werden.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Mehr Details \u00fcber die Architektur von CycleGAN?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Die beiden Generatoren und die beiden Diskriminatoren sind in ihrer Architektur vollkommen identisch, d. h. sie bestehen aus den gleichen Schichten und haben die gleichen Abmessungen. Die Generatoren verwenden haupts\u00e4chlich Faltungsschichten und Restbl\u00f6cke (residual blocks).\"\n    }\n  }]\n}\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-17e72e8 elementor-align-center elementor-widget elementor-widget-button\" data-id=\"17e72e8\" data-element_type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm elementor-animation-grow\" href=\"https:\/\/datascientest.com\/de\/weiterbildung-data-scientist\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-text\">Data Scientist Weiterbildung<\/span>\n\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Der Neural Style Transfer (NST) ist eine Sammlung von Modellen und Methoden, die es erm\u00f6glichen, den visuellen Stil von Bildern oder Videos auf ein anderes Bild zu \u00fcbertragen. In diesem Artikel besch\u00e4ftigen wir uns mit einem bestimmten Modell, das CycleGAN hei\u00dft. Heutzutage sind die erfolgreichsten Algorithmen im Bereich NST angepasste Deep-Learning-Algorithmen, die Faltungsschichten verwenden. In [&hellip;]<\/p>\n","protected":false},"author":67,"featured_media":178903,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2454],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v21.7 (Yoast SEO v21.7) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Stil\u00fcbertragung mit CycleGAN<\/title>\n<meta name=\"description\" content=\"CycleGAN ist ein maschinelles Lernalgorithmus, das zur Dom\u00e4nenanpassung und Bild\u00fcbersetzung entwickelt wurde. Der Name steht f\u00fcr..\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Stil\u00fcbertragung mit CycleGAN\" \/>\n<meta property=\"og:description\" content=\"Der Neural Style Transfer (NST) ist eine Sammlung von Modellen und Methoden, die es erm\u00f6glichen, den visuellen Stil von Bildern oder Videos auf ein\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\" \/>\n<meta property=\"og:site_name\" content=\"Weiterbildung Data Science | DataScientest.com\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/DataScientestEN\" \/>\n<meta property=\"article:published_time\" content=\"2023-06-24T11:04:56+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-10-30T11:02:21+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/06\/cyclegan.webp\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"562\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/webp\" \/>\n<meta name=\"author\" content=\"Melanie\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:site\" content=\"@DataScientest__\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Melanie\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan#article\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\"},\"author\":{\"name\":\"Melanie\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\"},\"headline\":\"Stil\u00fcbertragung mit CycleGAN\",\"datePublished\":\"2023-06-24T11:04:56+00:00\",\"dateModified\":\"2023-10-30T11:02:21+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\"},\"wordCount\":1442,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"articleSection\":[\"Data Science\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan#respond\"]}],\"copyrightYear\":\"2023\",\"copyrightHolder\":{\"@id\":\"https:\/\/datascientest.com\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\",\"url\":\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\",\"name\":\"Stil\u00fcbertragung mit CycleGAN\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/de\/#website\"},\"datePublished\":\"2023-06-24T11:04:56+00:00\",\"dateModified\":\"2023-10-30T11:02:21+00:00\",\"description\":\"CycleGAN ist ein maschinelles Lernalgorithmus, das zur Dom\u00e4nenanpassung und Bild\u00fcbersetzung entwickelt wurde. Der Name steht f\u00fcr..\",\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/de\/#website\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"name\":\"Weiterbildung Data Science | DataScientest.com\",\"description\":\"F\u00fchrender Anbieter von Schulungen im Bereich Data Science\",\"publisher\":{\"@id\":\"https:\/\/datascientest.com\/de\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/de\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/datascientest.com\/de\/#organization\",\"name\":\"DataScientest\",\"url\":\"https:\/\/datascientest.com\/de\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"contentUrl\":\"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png\",\"width\":301,\"height\":301,\"caption\":\"DataScientest\"},\"image\":{\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/\"},\"sameAs\":[\"https:\/\/www.facebook.com\/DataScientestEN\",\"https:\/\/twitter.com\/DataScientest__\",\"https:\/\/www.linkedin.com\/company\/datascientest-germany\/\",\"https:\/\/www.tiktok.com\/@datascientest\"]},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d\",\"name\":\"Melanie\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g\",\"caption\":\"Melanie\"},\"url\":\"https:\/\/datascientest.com\/de\/author\/melaniekrause\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Stil\u00fcbertragung mit CycleGAN","description":"CycleGAN ist ein maschinelles Lernalgorithmus, das zur Dom\u00e4nenanpassung und Bild\u00fcbersetzung entwickelt wurde. Der Name steht f\u00fcr..","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan","og_locale":"de_DE","og_type":"article","og_title":"Stil\u00fcbertragung mit CycleGAN","og_description":"Der Neural Style Transfer (NST) ist eine Sammlung von Modellen und Methoden, die es erm\u00f6glichen, den visuellen Stil von Bildern oder Videos auf ein","og_url":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan","og_site_name":"Weiterbildung Data Science | DataScientest.com","article_publisher":"https:\/\/www.facebook.com\/DataScientestEN","article_published_time":"2023-06-24T11:04:56+00:00","article_modified_time":"2023-10-30T11:02:21+00:00","og_image":[{"width":1024,"height":562,"url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2023\/06\/cyclegan.webp","type":"image\/webp"}],"author":"Melanie","twitter_card":"summary_large_image","twitter_creator":"@DataScientest__","twitter_site":"@DataScientest__","twitter_misc":{"Verfasst von":"Melanie","Gesch\u00e4tzte Lesezeit":"10 Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan#article","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan"},"author":{"name":"Melanie","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d"},"headline":"Stil\u00fcbertragung mit CycleGAN","datePublished":"2023-06-24T11:04:56+00:00","dateModified":"2023-10-30T11:02:21+00:00","mainEntityOfPage":{"@id":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan"},"wordCount":1442,"commentCount":0,"publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"articleSection":["Data Science"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan#respond"]}],"copyrightYear":"2023","copyrightHolder":{"@id":"https:\/\/datascientest.com\/#organization"}},{"@type":"WebPage","@id":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan","url":"https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan","name":"Stil\u00fcbertragung mit CycleGAN","isPartOf":{"@id":"https:\/\/datascientest.com\/de\/#website"},"datePublished":"2023-06-24T11:04:56+00:00","dateModified":"2023-10-30T11:02:21+00:00","description":"CycleGAN ist ein maschinelles Lernalgorithmus, das zur Dom\u00e4nenanpassung und Bild\u00fcbersetzung entwickelt wurde. Der Name steht f\u00fcr..","inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/de\/stiluebertragung-mit-cyclegan"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/de\/#website","url":"https:\/\/datascientest.com\/de\/","name":"Weiterbildung Data Science | DataScientest.com","description":"F\u00fchrender Anbieter von Schulungen im Bereich Data Science","publisher":{"@id":"https:\/\/datascientest.com\/de\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/de\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/datascientest.com\/de\/#organization","name":"DataScientest","url":"https:\/\/datascientest.com\/de\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/","url":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","contentUrl":"https:\/\/datascientest.com\/de\/wp-content\/blogs.dir\/8\/files\/2024\/02\/DataScientest_icon_blue-2.png","width":301,"height":301,"caption":"DataScientest"},"image":{"@id":"https:\/\/datascientest.com\/de\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/DataScientestEN","https:\/\/twitter.com\/DataScientest__","https:\/\/www.linkedin.com\/company\/datascientest-germany\/","https:\/\/www.tiktok.com\/@datascientest"]},{"@type":"Person","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/19d5f7ade9407eb69af3bf6d1ae1731d","name":"Melanie","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/datascientest.com\/de\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/8d3d660a0698de06f13ecf4823519da1?s=96&d=mm&r=g","caption":"Melanie"},"url":"https:\/\/datascientest.com\/de\/author\/melaniekrause"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/178901"}],"collection":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/users\/67"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/comments?post=178901"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/posts\/178901\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media\/178903"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/media?parent=178901"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/categories?post=178901"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/de\/wp-json\/wp\/v2\/tags?post=178901"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}