{"id":150439,"date":"2022-03-30T09:09:58","date_gmt":"2022-03-30T08:09:58","guid":{"rendered":"https:\/\/datascientest.com\/?p=150439"},"modified":"2023-11-09T14:05:19","modified_gmt":"2023-11-09T14:05:19","slug":"transfert-de-style-avec-cyclegan","status":"publish","type":"post","link":"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan","title":{"rendered":"Transfert de style avec CycleGAN"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"150439\" class=\"elementor elementor-150439\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-7c816af elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"7c816af\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-42e9443\" data-id=\"42e9443\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-bc5db13 elementor-widget elementor-widget-text-editor\" data-id=\"bc5db13\" 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<h2><strong>Le transfert de style ou Neural Style Transfer (NST) repr\u00e9sente un ensemble de mod\u00e8les et de m\u00e9thodes permettant, avec des images ou des vid\u00e9os, de transf\u00e9rer le style visuel d\u2019une image vers une autre. Nous allons dans cet article nous int\u00e9resser plus particuli\u00e8rement \u00e0 un mod\u00e8le pr\u00e9cis qui s\u2019appelle CycleGAN.<\/strong><\/h2>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-1df4b82 elementor-widget elementor-widget-text-editor\" data-id=\"1df4b82\" 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;\">De nos jours, les algorithmes les plus performants dans le domaine du NST sont les algorithmes de <span style=\"color: #5e36f3;\"><a style=\"color: #5e36f3;\" href=\"https:\/\/datascientest.com\/deep-learning-definition\">De<\/a><a style=\"color: #5e36f3;\" href=\"https:\/\/datascientest.com\/deep-learning-definition\">ep<\/a><a style=\"color: #5e36f3;\" href=\"https:\/\/datascientest.com\/deep-learning-definition\"> Learning<\/a><\/span> adapt\u00e9s utilisant des couches de convolutions. Artistiquement, le NST sert le plus souvent \u00e0 cr\u00e9er des \u0153uvres artificielles \u00e0 partir d\u2019une photographie et du style d\u2019un peintre. Il existe actuellement plusieurs applications (mobiles et web) permettant d\u2019effectuer du transfert de style, par exemple <\/span><span style=\"color: #5e36f3;\"><a style=\"color: #5e36f3;\" href=\"https:\/\/deepart.io\/hire\/\"><span style=\"font-weight: 400;\">DeepArt<\/span><\/a><\/span><span style=\"font-weight: 400; color: #000000;\"> et le blog de <\/span><a href=\"https:\/\/reiinakano.com\/arbitrary-image-stylization-tfjs\/\"><span style=\"color: #5e36f3;\">Reiinakano<\/span><\/a>. <span style=\"font-weight: 400; color: #000000;\">On peut ainsi transformer un personnage de Star Wars (Dark Revan) en un tableau inspir\u00e9 de l\u2019\u0153uvre Clouds over Bor de Paul Klee\u00a0:<\/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-566720a elementor-widget elementor-widget-image\" data-id=\"566720a\" 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\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\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-5f8ea69 elementor-widget elementor-widget-heading\" data-id=\"5f8ea69\" 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\">Le mod\u00e8le CycleGAN, qu\u2019est-ce que c\u2019est ?<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-34f850a elementor-widget elementor-widget-text-editor\" data-id=\"34f850a\" 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;\">Comme son nom l\u2019indique, <\/span><b>CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif<\/b><span style=\"font-weight: 400;\"> (cr\u00e9e par Jun-Yan Zhu et al. pour le laboratoire de recherche BAIR de l\u2019UC Berkeley), un <\/span><b>GAN<\/b><span style=\"font-weight: 400;\"> (Generative Adversarial Network) servant \u00e0 effectuer du transfert de style sur une image. En pratique, la grande majorit\u00e9 des GAN que l\u2019on utilise pour transformer une image du style d\u2019un domaine X en image du style d\u2019un domaine cible Y est entra\u00een\u00e9e en utilisant un jeu de donn\u00e9es jumel\u00e9es dont chaque exemple d\u2019image de X poss\u00e8de un exemple directement associ\u00e9 dans un autre style Y. L\u00e0 o\u00f9 <\/span><b>CycleGAN<\/b><span style=\"font-weight: 400;\"> se d\u00e9marque est justement dans son non-besoin d\u2019avoir des pairs d\u2019images lors de l\u2019entra\u00eenement. En effet, lorsque l\u2019on entra\u00eene un tel mod\u00e8le, on obtient de tr\u00e8s bonne performance sans jamais utiliser des images jumel\u00e9es, ce qui facilite grandement l\u2019entra\u00eenement pour des jeux de donn\u00e9es particuliers o\u00f9 aucune correspondance n\u2019a \u00e9t\u00e9 faite. On peut alors imiter le style d\u2019un peintre pour diff\u00e9rentes images en utilisant une base de donn\u00e9e de ses tableaux par exemple ! Tout d\u2019abord, pr\u00e9sentons l\u2019architecture d\u2019un GAN. Si vous avez d\u00e9j\u00e0 lu l\u2019un de nos articles traitant sur des<\/span><a href=\"https:\/\/datascientest.com\/gan-machine-learning\"> <b>GAN<\/b><\/a><span style=\"font-weight: 400;\">, vous savez qu\u2019<\/span><b>un GAN est un mod\u00e8le se d\u00e9composant en deux gros sous-mod\u00e8les<\/b><span style=\"font-weight: 400;\">, un g\u00e9n\u00e9rateur et un discriminateur :<\/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-a0ee542 elementor-widget elementor-widget-image\" data-id=\"a0ee542\" 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\">Structure classique d\u2019un 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-00ca900 elementor-widget elementor-widget-text-editor\" data-id=\"00ca900\" 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;\">Le g\u00e9n\u00e9rateur est le mod\u00e8le qui permet de g\u00e9n\u00e9rer des images \u00e0 partir g\u00e9n\u00e9ralement d\u2019un bruit al\u00e9atoire, le discriminateur (qui prend une valeur entre 0 et 1) quant \u00e0 lui sert \u00e0 classer une image donn\u00e9e afin de savoir si elle est artificielle ou non. Ainsi, lors de l\u2019entra\u00eenement, <\/span><b>on entra\u00eene \u00e0 la fois le g\u00e9n\u00e9rateur et le discriminateur <\/b><span style=\"font-weight: 400;\">afin que le discriminateur soit de plus en plus fort pour diff\u00e9rencier une image r\u00e9elle d\u2019une image g\u00e9n\u00e9r\u00e9e et pour que le g\u00e9n\u00e9rateur, soit de plus en plus fort pour tromper le discriminateur. Pendant l&rsquo;entra\u00eenement, le g\u00e9n\u00e9rateur n&rsquo;a pas acc\u00e8s aux donn\u00e9es r\u00e9elles directement, seul le g\u00e9n\u00e9rateur les utilise afin de les comparer \u00e0 des donn\u00e9es simul\u00e9es. La fonction de perte pour le discriminateur sera les erreurs qu\u2019il commet en classant les donn\u00e9es et celle du g\u00e9n\u00e9rateur sera la r\u00e9ussite du discriminateur \u00e0 le diff\u00e9rencier des vraies images. Certains mod\u00e8les utilise la m\u00eame fonction de perte qui est minimis\u00e9e par le discriminateur et maximis\u00e9e par le g\u00e9n\u00e9rateur.\u00a0<\/span><\/p><p><b>La structure du CycleGAN est pens\u00e9e pour que le g\u00e9n\u00e9rateur G translate la distribution d\u2019un style X vers un autre style Y afin que le discriminateur ne puisse pas distinguer le style transform\u00e9 Y=G(X) du style original Y<\/b><span style=\"font-weight: 400;\">. Il existe un probl\u00e8me qui arrive assez souvent en appliquant cette strat\u00e9gie telle qu\u2019elle : le g\u00e9n\u00e9rateur va translater toutes les images de la m\u00eame fa\u00e7on ne pouvant g\u00e9n\u00e9rer alors qu\u2019un seul exemple b ce qui n\u2019est pas la t\u00e2che recherch\u00e9e.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">Ainsi pour pallier ce probl\u00e8me, la structure du CycleGAN va rajouter une contrainte en d\u00e9finissant un autre g\u00e9n\u00e9rateur F dont le r\u00f4le sera d\u2019\u00eatre la transform\u00e9e inverse de G dans le sens o\u00f9 FGX\u2248X. On aura ainsi une garantie que la transformation de X ne sera pas r\u00e9duite \u00e0 un seul exemple. On ajoute donc lors de l\u2019entra\u00eenement une nouvelle fonction de perte caract\u00e9risant la perte cyclique consistante (cycle consistency loss) encourageant les transformations \u00e0 v\u00e9rifier les propri\u00e9t\u00e9s FGX\u2248X et que G(FY)\u2248Y. On ajoute en plus du discriminateur pour G (que l\u2019on appelle DY car on veut discriminer Y de Y) un discriminateur pour F (que l\u2019on appelle DX). On retrouve dans ce<\/span><a href=\"https:\/\/arxiv.org\/pdf\/1703.10593.pdf\"> <b>papier<\/b><\/a><span style=\"font-weight: 400;\"> un sch\u00e9ma r\u00e9sumant les diff\u00e9rentes relations d\u00e9crites pr\u00e9c\u00e9demment.<\/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-642d2ae elementor-widget elementor-widget-image\" data-id=\"642d2ae\" 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\">Sch\u00e9ma r\u00e9sumant la sp\u00e9cificit\u00e9 du mod\u00e8le<\/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-84030c6 elementor-widget elementor-widget-text-editor\" data-id=\"84030c6\" 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><b>La cycle-consistency loss<\/b><span style=\"font-weight: 400;\"> est alors s\u00e9par\u00e9e en deux morceaux distincts, le premier (1) correspondant \u00e0 la perte entre les \u00e9l\u00e9ments de X et leurs reconstructions et le deuxi\u00e8me (2) correspondant \u00e0 la perte entre les \u00e9l\u00e9ments de Y et leurs reconstructions.<\/span><\/p><p><span style=\"font-weight: 400;\">Ici dans ce mod\u00e8le les g\u00e9n\u00e9rateurs et discriminateurs vont optimiser la m\u00eame fonction de perte g\u00e9n\u00e9rale, celle-ci est constitu\u00e9e de deux sous-fonctions de perte associ\u00e9es aux g\u00e9n\u00e9rateurs (adversial loss) :<\/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-47dc6b8 elementor-widget elementor-widget-image\" data-id=\"47dc6b8\" 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\t\t\t<img decoding=\"async\" width=\"800\" height=\"52\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00-1024x66.png\" class=\"attachment-large size-large wp-image-150471\" alt=\"LGan\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00-1024x66.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00-300x19.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00-768x49.png 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00-1536x99.png 1536w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.00.png 1558w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\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-87fb48e elementor-widget elementor-widget-image\" data-id=\"87fb48e\" 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\t\t\t<img decoding=\"async\" width=\"800\" height=\"54\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30-1024x69.png\" class=\"attachment-large size-large wp-image-150470\" alt=\"Lgan\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30-1024x69.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30-300x20.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30-768x52.png 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.07.30.png 1064w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\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-ea79e90 elementor-widget elementor-widget-text-editor\" data-id=\"ea79e90\" 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;\">et de la fonction de perte de consistance cyclique\u00a0:<\/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-95422e9 elementor-widget elementor-widget-image\" data-id=\"95422e9\" 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\t\t\t<img decoding=\"async\" width=\"800\" height=\"63\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53-1024x80.png\" class=\"attachment-large size-large wp-image-150472\" alt=\"LCyc\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53-1024x80.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53-300x23.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53-768x60.png 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.09.53.png 1102w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\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-fd35ad2 elementor-widget elementor-widget-text-editor\" data-id=\"fd35ad2\" 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;\">donnant la fonction de perte globale\u00a0:<\/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-f4e5551 elementor-widget elementor-widget-image\" data-id=\"f4e5551\" 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\t\t\t<img decoding=\"async\" width=\"800\" height=\"67\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56-1024x86.png\" class=\"attachment-large size-large wp-image-150479\" alt=\"LGan\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56-1024x86.png 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56-300x25.png 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56-768x64.png 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-22-a\u0300-12.10.56.png 1074w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\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-b35bd7b elementor-widget elementor-widget-text-editor\" data-id=\"b35bd7b\" 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;\">qui sera maximis\u00e9e par les discriminateurs (pour que ceux-ci distinguent bien g\u00e9n\u00e9ration de r\u00e9el) et minimis\u00e9e par les g\u00e9n\u00e9rateurs afin que ceux-ci cr\u00e9ent des exemples de plus en plus indiscernables des donn\u00e9es r\u00e9elles.<\/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-40005e6 elementor-widget elementor-widget-heading\" data-id=\"40005e6\" 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\">L\u2019architecture de CycleGAN dans le d\u00e9tail<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-e96a9cb elementor-widget elementor-widget-text-editor\" data-id=\"e96a9cb\" 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;\">Les deux g\u00e9n\u00e9rateurs et les deux discriminateurs sont parfaitement identiques dans l\u2019architecture, c\u2019est-\u00e0-dire qu\u2019ils sont constitu\u00e9s des m\u00eames couches et sont de m\u00eames dimensions. Les g\u00e9n\u00e9rateurs utilisent principalement des couches de convolution et des blocks r\u00e9siduels (residual blocks).\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">En ce qui concerne les couches de convolutions, elles ont d\u00e9j\u00e0 \u00e9t\u00e9\u00a0 abord\u00e9es et expliqu\u00e9es en d\u00e9tail dans un autre article de notre blog que vous pourrez retrouver<\/span><a href=\"https:\/\/datascientest.com\/convolutional-neural-network\"> <b>ici<\/b><\/a><span style=\"font-weight: 400;\">. Les blocks r\u00e9siduels sont quant \u00e0 eux des couches tr\u00e8s simples en <\/span><b>Deep Learning<\/b><span style=\"font-weight: 400;\">, souvent utilis\u00e9es en transfert de style, elles permettent \u00e0 l\u2019image de ne pas trop s\u2019\u00e9loigner de celle d\u2019origine en la rappelant au r\u00e9seau au fur et \u00e0 mesure. Plus formellement, une telle couche est de la forme :<\/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-794b688 elementor-widget elementor-widget-image\" data-id=\"794b688\" 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\">Block r\u00e9siduel<\/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-375e750 elementor-widget elementor-widget-text-editor\" data-id=\"375e750\" 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;\">Ainsi comme le montre le graphique (d),<\/span><b> le block r\u00e9siduel consiste juste en une couche normale dont on ajoute \u00e0 la fin la valeur initiale en entr\u00e9e<\/b><span style=\"font-weight: 400;\">, cela permet donc litt\u00e9ralement de ne pas trop modifier l\u2019image de d\u00e9part.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">On applique aussi <\/span><b>un ReLU<\/b><span style=\"font-weight: 400;\"> dans certains cas permettant d\u2019annuler la sortie de la couche si jamais F(x) s\u2019av\u00e8re \u00eatre trop \u00e9lev\u00e9e n\u00e9gativement (l\u00e0 o\u00f9 une image en couleur aura des valeurs positives). Pour les discriminateurs le mod\u00e8le utilise des 70 x 70 <\/span><b>PatchGANs<\/b><span style=\"font-weight: 400;\"> c\u2019est-\u00e0-dire que le discriminateur va \u00eatre constitu\u00e9 de plusieurs petits GANs, des PatchGANs de taille initiale 70 x 70 qui vont s\u2019appliquer un peu partout \u00e0 l\u2019image et peuvent se chevaucher dans la partie de l\u2019image consid\u00e9r\u00e9e, d\u00e9terminant si telle partie de l\u2019image est r\u00e9elle ou non. La r\u00e9ponse finale est\u00a0 alors calcul\u00e9e comme la moyenne des r\u00e9ponses renvoy\u00e9es pour chaque patch. Chaque PatchGAN va avoir une architecture similaire constitu\u00e9e uniquement de couches de convolutions classiques. Enfin l\u2019entra\u00eenement est fait avec un batch size de 1 et un optimisateur classique : Adam.<\/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-867972b elementor-widget elementor-widget-image\" data-id=\"867972b\" 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\t\t\t<img decoding=\"async\" width=\"800\" height=\"356\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan-1024x456.jpg\" class=\"attachment-large size-large wp-image-152252\" alt=\"resultat_gan\" loading=\"lazy\" srcset=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan-1024x456.jpg 1024w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan-300x134.jpg 300w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan-768x342.jpg 768w, https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/resultat_gan.jpg 1310w\" sizes=\"(max-width: 800px) 100vw, 800px\" \/>\t\t\t\t\t\t\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-fad4d09 elementor-widget elementor-widget-text-editor\" data-id=\"fad4d09\" 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;\">On pr\u00e9sente ici quelques r\u00e9sultats obtenus avec des images de test \u00e0 travers le mod\u00e8le d\u00e9fini pr\u00e9c\u00e9demment, \u00e0 gauche on a les images originales fournies en entr\u00e9e et \u00e0 droite les images transfigur\u00e9es. <\/span><b>On voit par exemple que le mod\u00e8le entra\u00een\u00e9 avec des images de chevaux et de z\u00e8bres peut passer librement d\u2019un style d\u2019animal \u00e0 l\u2019autre<\/b><span style=\"font-weight: 400;\">.\u00a0<\/span><\/p><p><span style=\"font-weight: 400;\">De la m\u00eame fa\u00e7on, lorsqu&rsquo;il est entra\u00een\u00e9 avec des tableaux d\u2019artistes, il peut passer d\u2019une photographie \u00e0 un tableau au style de Van Gogh. On obtient aussi de tr\u00e8s bons r\u00e9sultats pour la reconstruction d\u2019images. En effet, en plus de la reconstruction quasi-identique de celle-ci, on peut aussi remarquer que la qualit\u00e9 de l\u2019image reconstruite est am\u00e9lior\u00e9e (avec une meilleure profondeur de champ) par rapport \u00e0 celle de base :<\/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-0e78224 elementor-widget elementor-widget-image\" data-id=\"0e78224\" 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-075edae elementor-widget elementor-widget-text-editor\" data-id=\"075edae\" 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;\">Nous avons vu dans cet article ce qu\u2019\u00e9tait le transfert de style et plus particuli\u00e8rement l\u2019architecture du mod\u00e8le CycleGAN, inspir\u00e9 des GANs, permettant de transf\u00e9rer des styles de fa\u00e7on efficace. <\/span><b>CycleGAN est l\u2019un des meilleurs algorithmes permettant de faire du transfert de style<\/b><span style=\"font-weight: 400;\">. Nous avons de plus vu que cet algorithme, \u00e0 l\u2019oppos\u00e9 de la quasi-totalit\u00e9 des algorithmes permettant de faire du transfert de style, n\u2019a pas besoin de donn\u00e9es appari\u00e9es qui sont compliqu\u00e9es \u00e0 obtenir en pratique et permet donc d\u2019entra\u00eener diff\u00e9rentes bases de donn\u00e9es jusqu\u2019alors inutilisable tel que celles des tableaux de peintres c\u00e9l\u00e8bres comme Van Gogh. Enfin nous avons vu qu\u2019en plus d\u2019avoir un transfert de style efficace, ce mod\u00e8le disposait aussi d\u2019une reconstruction d\u2019image fid\u00e8le donnant en sortie une image avec une profondeur de champ mieux r\u00e9alis\u00e9e d\u00e9montrant la stabilit\u00e9 de l\u2019algorithme. Cet algorithme n\u2019est toutefois pas tout-puissant car il a des lacunes lorsqu\u2019il faut modifier les propri\u00e9t\u00e9s g\u00e9om\u00e9triques des images comme lorsque l\u2019on souhaite transformer un chat en chien, <\/span><b>il est donc adapt\u00e9 uniquement au changement des textures<\/b><span style=\"font-weight: 400;\">.<\/span><\/p><p><span style=\"font-weight: 400;\">Si vous voulez en apprendre plus sur la transfiguration d\u2019objets, <\/span><b>le Deep Learning<\/b> <b>et l\u2019intelligence artificielle<\/b><span style=\"font-weight: 400;\"> appliqu\u00e9e aux images : d\u00e9couvrez<\/span><a href=\"https:\/\/datascientest.com\/formation-data-scientist\"> <b>notre formation de Data Scientist<\/b><\/a><b>.<\/b><\/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-8baf7ff elementor-widget elementor-widget-html\" data-id=\"8baf7ff\" 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\">\r\n{\r\n  \"@context\": \"https:\/\/schema.org\",\r\n  \"@type\": \"FAQPage\",\r\n  \"mainEntity\": [{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Le mod\u00e8le CycleGAN, qu\u2019est-ce que c\u2019est ?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Comme son nom l\u2019indique, CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif (cr\u00e9e par Jun-Yan Zhu et al. pour le laboratoire de recherche BAIR de l\u2019UC Berkeley), un GAN (Generative Adversarial Network) servant \u00e0 effectuer du transfert de style sur une image. En pratique, la grande majorit\u00e9 des GAN que l\u2019on utilise pour transformer une image du style d\u2019un domaine X en image du style d\u2019un domaine cible Y est entra\u00een\u00e9e en utilisant un jeu de donn\u00e9es jumel\u00e9es dont chaque exemple d\u2019image de X poss\u00e8de un exemple directement associ\u00e9 dans un autre style Y. L\u00e0 o\u00f9 CycleGAN se d\u00e9marque est justement dans son non-besoin d\u2019avoir des pairs d\u2019images lors de l\u2019entra\u00eenement.\"\r\n    }\r\n  },{\r\n    \"@type\": \"Question\",\r\n    \"name\": \"Plus de d\u00e9tail sur l\u2019architecture de CycleGAN ?\",\r\n    \"acceptedAnswer\": {\r\n      \"@type\": \"Answer\",\r\n      \"text\": \"Les deux g\u00e9n\u00e9rateurs et les deux discriminateurs sont parfaitement identiques dans l\u2019architecture, c\u2019est-\u00e0-dire qu\u2019ils sont constitu\u00e9s des m\u00eames couches et sont de m\u00eames dimensions. Les g\u00e9n\u00e9rateurs utilisent principalement des couches de convolution et des blocks r\u00e9siduels (residual blocks).\"\r\n    }\r\n  }]\r\n}\r\n<\/script>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-f146691 elementor-align-center elementor-widget elementor-widget-button\" data-id=\"f146691\" 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\/formation-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\">D\u00e9couvrir la formation de data scientist<\/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\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Le transfert de style ou Neural Style Transfer (NST) repr\u00e9sente un ensemble de mod\u00e8les et de m\u00e9thodes permettant, avec des images ou des vid\u00e9os, de transf\u00e9rer le style visuel d\u2019une image vers une autre. Nous allons dans cet article nous int\u00e9resser plus particuli\u00e8rement \u00e0 un mod\u00e8le pr\u00e9cis qui s\u2019appelle CycleGAN. De nos jours, les algorithmes [&hellip;]<\/p>\n","protected":false},"author":78,"featured_media":161752,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"content-type":"","inline_featured_image":false},"categories":[2497],"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>Transfert de style avec CycleGAN<\/title>\n<meta name=\"description\" content=\"Comme son nom l\u2019indique, CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif servant \u00e0 effectuer du transfert de style sur une image.\" \/>\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\/transfert-de-style-avec-cyclegan\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Transfert de style avec CycleGAN\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2022-03-30T08:09:58+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T14:05:19+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/illu_gans-74.png\" \/>\n\t<meta property=\"og:image:width\" content=\"2560\" \/>\n\t<meta property=\"og:image:height\" content=\"1405\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"J\u00e9r\u00e9my Robert\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"J\u00e9r\u00e9my Robert\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan\",\"url\":\"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan\",\"name\":\"Transfert de style avec CycleGAN\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2022-03-30T08:09:58+00:00\",\"dateModified\":\"2023-11-09T14:05:19+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\"},\"description\":\"Comme son nom l\u2019indique, CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif servant \u00e0 effectuer du transfert de style sur une image.\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan\"]}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/datascientest.com\/#website\",\"url\":\"https:\/\/datascientest.com\/\",\"name\":\"Formation Data Science | DataScientest.com\",\"description\":\"Leader de la formation en Data Science\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/datascientest.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925\",\"name\":\"J\u00e9r\u00e9my Robert\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg\",\"caption\":\"J\u00e9r\u00e9my Robert\"},\"description\":\"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/jeremyrobert1\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/jeremyrobert\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Transfert de style avec CycleGAN","description":"Comme son nom l\u2019indique, CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif servant \u00e0 effectuer du transfert de style sur une image.","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\/transfert-de-style-avec-cyclegan","og_locale":"fr_FR","og_type":"article","og_title":"Transfert de style avec CycleGAN","og_url":"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2022-03-30T08:09:58+00:00","article_modified_time":"2023-11-09T14:05:19+00:00","og_image":[{"width":2560,"height":1405,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/illu_gans-74.png","type":"image\/png"}],"author":"J\u00e9r\u00e9my Robert","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"J\u00e9r\u00e9my Robert","Dur\u00e9e de lecture estim\u00e9e":"10 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan","url":"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan","name":"Transfert de style avec CycleGAN","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2022-03-30T08:09:58+00:00","dateModified":"2023-11-09T14:05:19+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925"},"description":"Comme son nom l\u2019indique, CycleGAN est un type de mod\u00e8le g\u00e9n\u00e9ratif servant \u00e0 effectuer du transfert de style sur une image.","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan"]}]},{"@type":"WebSite","@id":"https:\/\/datascientest.com\/#website","url":"https:\/\/datascientest.com\/","name":"Formation Data Science | DataScientest.com","description":"Leader de la formation en Data Science","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/datascientest.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/datascientest.com\/#\/schema\/person\/7af2361c48e24e79a8aa2360e6e74925","name":"J\u00e9r\u00e9my Robert","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/jeremyrobert.jpeg","caption":"J\u00e9r\u00e9my Robert"},"description":"J\u00e9r\u00e9my Robert est actuellement Directeur p\u00e9dagogique B2B chez DataScientest.com. Avant de rejoindre DataScientest, il a travaill\u00e9 en tant que Consultant Business Intelligence chez DEAPDATA, o\u00f9 il a g\u00e9r\u00e9 des projets dans les domaines de l'assurance, bancaire et industrie. Il a \u00e9galement \u00e9t\u00e9 Co-fondateur et pr\u00e9sident de Tripzer. En tant que consultant ind\u00e9pendant, J\u00e9r\u00e9my a propos\u00e9 des formations sur MicroStrategy pour divers niveaux professionnels. Il est dipl\u00f4m\u00e9 de l'Universit\u00e9 Paris Cit\u00e9 avec un Master MIAGE, combinant comp\u00e9tences en informatique et gestion.","sameAs":["https:\/\/www.linkedin.com\/in\/jeremyrobert1\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/jeremyrobert"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/150439"}],"collection":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/users\/78"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=150439"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/150439\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/161752"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=150439"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=150439"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=150439"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}