{"id":162990,"date":"2022-04-20T10:20:59","date_gmt":"2022-04-20T09:20:59","guid":{"rendered":"https:\/\/datascientest.com\/?p=152409"},"modified":"2023-11-09T14:04:24","modified_gmt":"2023-11-09T14:04:24","slug":"stylegan","status":"publish","type":"post","link":"https:\/\/datascientest.com\/stylegan","title":{"rendered":"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"162990\" class=\"elementor elementor-162990\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-6f4af80 e-flex e-con-boxed e-con\" data-id=\"6f4af80\" 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\t\t<div class=\"elementor-element elementor-element-8e8e66f elementor-widget elementor-widget-heading\" data-id=\"8e8e66f\" 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\">I - Introduction<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-de67437 elementor-widget elementor-widget-text-editor\" data-id=\"de67437\" 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<p>Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du <a href=\"https:\/\/datascientest.com\/deep-learning-definition\">Deep Learning<\/a> en 2019, vous avez sans doute entendu parler de StyleGAN <strong>le r\u00e9seau antagoniste g\u00e9n\u00e9ratif<\/strong> d\u00e9velopp\u00e9 par des chercheurs de chez <a href=\"https:\/\/datascientest.com\/nvidia-superordinateur-ia-leonardo\">Nvidia<\/a> en fin 2018. Cet algorithme s\u2019est fait conna\u00eetre du grand public en f\u00e9vrier 2019, alors qu\u2019il venait de passer en open source, lorsque l\u2019ing\u00e9nieur Phil Wang l\u2019a utilis\u00e9 pour cr\u00e9er le site internet. <a href=\"https:\/\/thispersondoesnotexist.com\/\">Ce site<\/a> internet <strong>g\u00e9n\u00e8re un visage humain al\u00e9atoire \u00e0 chaque nouvelle connexion<\/strong> (l\u2019actualisation du site suffit pour g\u00e9n\u00e9rer de nouveaux visages) qui, \u00e9videmment, n\u2019existe pas et r\u00e9sulte du g\u00e9n\u00e9rateur StyleGAN :<\/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-bdcceb9 elementor-widget elementor-widget-image\" data-id=\"bdcceb9\" 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\/unnamed-4.jpeg\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Exemple de visage humain g\u00e9n\u00e9r\u00e9 par StyleGAN (ici StyleGAN2)<\/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-6c5c62b elementor-widget elementor-widget-text-editor\" data-id=\"6c5c62b\" 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>Comme vous pouvez le constater, StyleGAN produit des <strong>images de haute qualit\u00e9<\/strong> rendant les visages g\u00e9n\u00e9r\u00e9s quasi indiscernables de v\u00e9ritables visages. C\u2019est d\u2019autant plus impressionnant lorsque l\u2019on sait que l\u2019invention des GAN est tr\u00e8s r\u00e9cente (2014) d\u00e9montrant que l<strong>\u2019\u00e9volution des architectures de g\u00e9n\u00e9ration est tr\u00e8s rapid<\/strong>e. On peut alors se demander comment fonctionnent ces <strong>mod\u00e8les de Deep Learning<\/strong> pour produire des r\u00e9sultats aussi convaincants ?<\/p>\t\t\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<div class=\"elementor-element elementor-element-5e75bf7 e-flex e-con-boxed e-con\" data-id=\"5e75bf7\" 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\t\t<div class=\"elementor-element elementor-element-49f1c90 elementor-widget elementor-widget-heading\" data-id=\"49f1c90\" 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\">II - Architecture d\u2019un GAN<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-fd7b320 elementor-widget elementor-widget-text-editor\" data-id=\"fd7b320\" 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>Et bien comme son nom l\u2019indique, StyleGAN est avant tout un <a href=\"https:\/\/datascientest.com\/conditional-generative-adversarial-network-cgan\">GAN (Generative Adversiarial Network)<\/a> et un GAN est un mod\u00e8le se d\u00e9composant en deux gros sous-mod\u00e8les\u00a0: un <strong>g\u00e9n\u00e9rateur<\/strong> et un <strong>discriminateur<\/strong> :<\/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-dc5aff5 elementor-widget elementor-widget-image\" data-id=\"dc5aff5\" 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-4.png\" title=\"\" alt=\"Structure classique d\u2019un GAN\" 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-a493249 elementor-widget elementor-widget-text-editor\" data-id=\"a493249\" 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<blockquote><p><strong><em>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 quant \u00e0 lui sert \u00e0 classer une image donn\u00e9e afin de savoir si elle est g\u00e9n\u00e9r\u00e9e ou non.<\/em><\/strong><\/p><\/blockquote>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d830f69 elementor-widget elementor-widget-text-editor\" data-id=\"d830f69\" 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>Ainsi, lors de l\u2019entra\u00eenement, <strong>on entra\u00eene \u00e0 la fois le g\u00e9n\u00e9rateur et le discriminateur<\/strong> afin que le discriminateur soit de plus en plus fort pour <strong>diff\u00e9rencier image r\u00e9elle et image g\u00e9n\u00e9r\u00e9e<\/strong> et pour que le g\u00e9n\u00e9rateur, soit de plus en plus fort pour <strong>tromper le discriminateur<\/strong>. Les donn\u00e9es r\u00e9elles ne sont vues pendant l\u2019entra\u00eenement que par le discriminateur pour qui autant d\u2019exemples r\u00e9els et g\u00e9n\u00e9r\u00e9s lui seront fournis. La fonction de perte pour le discriminateur sera <strong>les erreurs qu\u2019il commet en classant les donn\u00e9es<\/strong> et celle du g\u00e9n\u00e9rateur sera la r\u00e9ussite du discriminateur \u00e0 <strong>le diff\u00e9rencier des vraies images<\/strong>. Certains mod\u00e8les utilisent la m\u00eame fonction de perte qui est minimis\u00e9e par le discriminateur et maximis\u00e9e par le g\u00e9n\u00e9rateur.<\/p>\t\t\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<div class=\"elementor-element elementor-element-9b23c98 e-flex e-con-boxed e-con\" data-id=\"9b23c98\" 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\t\t<div class=\"elementor-element elementor-element-275a1be elementor-widget elementor-widget-heading\" data-id=\"275a1be\" 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\">III - Architecture StyleGAN<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d42c8fe elementor-widget elementor-widget-text-editor\" data-id=\"d42c8fe\" 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>StyleGAN reprend exactement la m\u00eame architecture pr\u00e9c\u00e9dente et va m\u00eame jusqu\u2019\u00e0 <strong>utiliser des fonctions de perte classiques des GAN<\/strong> ainsi qu\u2019un mod\u00e8le de discriminateur tout \u00e0 fait classique. L\u00e0 d\u2019o\u00f9 provient son originalit\u00e9 se situe enti\u00e8rement dans l\u2019architecture du g\u00e9n\u00e9rateur\u00a0:\u00a0<\/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-52cc7f4 elementor-widget elementor-widget-image\" data-id=\"52cc7f4\" 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-5.png\" title=\"\" alt=\"(c) G\u00e9n\u00e9rateur traditionnel d\u2019un GAN et celui de StyleGAN (issue du papier StyleGAN)\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">G\u00e9n\u00e9rateur traditionnel d\u2019un GAN et celui de StyleGAN (issue du papier StyleGAN)<\/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-d36f82b elementor-widget elementor-widget-text-editor\" data-id=\"d36f82b\" 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>Comme on peut le constater, StyleGAN n\u2019utilise pas l\u2019architecture traditionnelle d\u2019un g\u00e9n\u00e9rateur bas\u00e9 sur une succession de couches de convolutions et de couches de normalisation. \u00c0 la place, StyleGAN utilise un g\u00e9n\u00e9rateur \u00ab\u00a0bas\u00e9 sur le style\u00a0\u00bb (d\u2019o\u00f9 le nom style GAN), c\u2019est-\u00e0-dire que l\u2019architecture de son g\u00e9n\u00e9rateur est emprunt\u00e9e de la <strong>litt\u00e9rature en Deep Learning<\/strong> portant sur les probl\u00e8mes de transfert de style. Le transfert de style fait r\u00e9f\u00e9rence \u00e0 la t\u00e2che consistant \u00e0 <strong>transf\u00e9rer le style d\u2019une image<\/strong> (ou d\u2019un artiste) comme Picasso \u00e0 d\u2019autres images\/tableaux.<\/p><p>La premi\u00e8re partie du g\u00e9n\u00e9rateur consiste alors \u00e0 <strong>mapper le bruit al\u00e9atoire en entr\u00e9e dans un espace latent W<\/strong>(c\u2019est le mapping network). Une fois cette premi\u00e8re \u00e9tape effectu\u00e9e, on passe le <strong>vecteur latent r\u00e9sultant W<\/strong> dans le r\u00e9seau de synth\u00e8se (\u00e0 plusieurs endroits d\u2019o\u00f9 les multiples fl\u00e8ches) constitu\u00e9 de couches de convolutions et de couches sp\u00e9ciales AdaIN (adaptative instance) souvent utilis\u00e9es en <a href=\"https:\/\/datascientest.com\/transfert-de-style-avec-cyclegan\">transfert de style<\/a>. Enfin, la derni\u00e8re particularit\u00e9 de cette architecture par rapport \u00e0 celle traditionnelle est <strong>l\u2019addition de bruit gaussien \u00e0 chaque \u00e9tape<\/strong>.\u00a0<\/p><p><em><strong>Convolution\u00a0:<\/strong><\/em> La convolution est ici classique et s\u2019effectue avec un noyau 3&#215;3. D\u00e9couvrez notre article complet sur le sujet pour plus de d\u00e9tail sur le fonctionnement des <a href=\"https:\/\/datascientest.com\/convolutional-neural-network\">Convolutional Neural Network<\/a>\u00a0<\/p><p><em><strong>AdaIN\u00a0:<\/strong><\/em> Cette couche est beaucoup plus particuli\u00e8re et correspond \u00e0 l\u2019op\u00e9ration suivante\u00a0:<\/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-1cb4b2e elementor-widget elementor-widget-image\" data-id=\"1cb4b2e\" 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\" src=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/03\/Capture-de\u0301cran-2022-03-29-a\u0300-16.11.11.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-9e018a2 elementor-widget elementor-widget-text-editor\" data-id=\"9e018a2\" 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>On normalise d\u2019abord l\u2019entr\u00e9e xi avant de lui transf\u00e9rer les vecteurs de styles (moyenne et variance) <strong>ys et yb<\/strong>. Les styles sont calcul\u00e9s \u00e0 partir de <strong>transformations affines de W<\/strong> apprises et ils sont appliqu\u00e9s au bruit gaussien ajout\u00e9 lui aussi r\u00e9duit selon des facteurs appris. Ainsi, \u00e0 la diff\u00e9rence d\u2019un GAN classique ou le bruit donn\u00e9 en entr\u00e9e du g\u00e9n\u00e9rateur <strong>sert de source \u00e0 la cr\u00e9ation d\u2019une image<\/strong>, ici dans le StyleGAN ce bruit sert \u00e0 donner le style \u00e0 d\u2019autres bruits gaussiens que l\u2019on ajoute au fur et \u00e0 mesure.<\/p><p>Le reste du r\u00e9seau suit l\u2019architecture des <strong>Progressive Growing GAN<\/strong> qui permet de travailler avec des r\u00e9solutions d\u2019images de plus en plus grandes.<\/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-be1ae51 elementor-widget elementor-widget-image\" data-id=\"be1ae51\" 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-6.png\" title=\"\" alt=\"\" loading=\"lazy\" \/>\t\t\t\t\t\t\t\t\t\t\t<figcaption class=\"widget-image-caption wp-caption-text\">Croissance progressive de la r\u00e9solution<\/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-3b2e03a elementor-widget elementor-widget-text-editor\" data-id=\"3b2e03a\" 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;\">Diff\u00e9rentes bases de donn\u00e9es ont \u00e9t\u00e9 utilis\u00e9es pour entra\u00eener ce mod\u00e8le, mais la principale base de donn\u00e9es utilis\u00e9e est <strong>CelebA-HQ<\/strong> qui est une base de donn\u00e9es de visages en haute d\u00e9finition (1024&#215;1024).<\/span><\/p>\t\t\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<div class=\"elementor-element elementor-element-b9a2797 e-flex e-con-boxed e-con\" data-id=\"b9a2797\" 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\t\t<div class=\"elementor-element elementor-element-aba9b54 elementor-widget elementor-widget-heading\" data-id=\"aba9b54\" 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\">IV - Version ult\u00e9rieures de StyleGAN<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-9680dcc elementor-widget elementor-widget-text-editor\" data-id=\"9680dcc\" 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>Nous avons vu comment fonctionnait le StyleGAN de base, mais entre fin 2018 et maintenant, les chercheurs de Nvidia n\u2019ont pas arr\u00eat\u00e9 d\u2019am\u00e9liorer leur logiciel ! En effet, le 3 d\u00e9cembre 2019 ils ont publi\u00e9 leur second article pr\u00e9sentant StyleGAN2 qui est <strong>une version am\u00e9lior\u00e9e de StyleGAN<\/strong> dans laquelle ils ont chang\u00e9 quelques couches du g\u00e9n\u00e9rateur et ont r\u00e9gularis\u00e9 celui-ci (am\u00e9liorant ainsi les performances). Enfin, en juin 2021, l\u2019\u00e9quipe de Nvidia a publi\u00e9 \u00e0 ce jour son dernier papier sur StyleGAN introduisant <strong>StyleGAN3<\/strong>, fonctionnant tout aussi bien que StyleGAN2 mais dont toute la diff\u00e9rence fondamentale r\u00e9side dans la repr\u00e9sentation interne des images des r\u00e9seaux donnant <strong>la possibilit\u00e9 de translater et pivoter les images<\/strong> efficacement. Ci-dessous en vid\u00e9o un exemple d\u2019application de ces transformations \u00e0 des images de plages :<\/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-f98db59 elementor-widget__width-initial elementor-widget elementor-widget-video\" data-id=\"f98db59\" data-element_type=\"widget\" data-settings=\"{&quot;youtube_url&quot;:&quot;https:\\\/\\\/youtu.be\\\/ViFs9bj4VPg&quot;,&quot;video_type&quot;:&quot;youtube&quot;,&quot;controls&quot;:&quot;yes&quot;}\" data-widget_type=\"video.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-video .elementor-widget-container{overflow:hidden;transform:translateZ(0)}.elementor-widget-video .elementor-wrapper{aspect-ratio:var(--video-aspect-ratio)}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{height:100%;width:100%;display:flex;border:none;background-color:#000}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-wrapper{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-wrapper iframe,.elementor-widget-video .elementor-wrapper video{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;right:0;bottom:0;left:0;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%;aspect-ratio:var(--video-aspect-ratio);-o-object-fit:cover;object-fit:cover;-o-object-position:center center;object-position:center center}@supports not (aspect-ratio:1\/1){.elementor-widget-video .elementor-custom-embed-image-overlay{position:relative;overflow:hidden;height:0;padding-bottom:calc(100% \/ var(--video-aspect-ratio))}.elementor-widget-video .elementor-custom-embed-image-overlay img{position:absolute;top:0;right:0;bottom:0;left:0}}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width);--flex-grow:var(--container-widget-flex-grow)}<\/style>\t\t<div class=\"elementor-wrapper elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\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<div class=\"elementor-element elementor-element-b674a33 e-flex e-con-boxed e-con\" data-id=\"b674a33\" 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\t\t<div class=\"elementor-element elementor-element-bab9dbb elementor-widget elementor-widget-heading\" data-id=\"bab9dbb\" 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\">V - Conclusion<\/h3>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-da90c0d elementor-widget elementor-widget-text-editor\" data-id=\"da90c0d\" 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>Nous avons vu dans cet article <strong>ce qu\u2019\u00e9tait un GAN<\/strong> et plus particuli\u00e8rement quel \u00e9tait l\u2019architecture du StyleGAN et d\u2019o\u00f9 venait sa sp\u00e9cificit\u00e9 vis-\u00e0-vis des autres GAN. StyleGAN, en s\u2019inspirant du domaine du transfert de style, repr\u00e9sente l\u2019\u00e9tat de l\u2019art pour g\u00e9n\u00e9rer des images de visages r\u00e9alistes et est disponible pour tous dans <a href=\"https:\/\/datascientest.com\/tensorflow\">Tensorflow<\/a> sous la licence Creative Commons. Enfin, gr\u00e2ce \u00e0 ses am\u00e9liorations StyleGAN2 et StyleGAN3, le mod\u00e8le est d\u2019autant plus performant pour g\u00e9rer des rotations et des translations lui permettant de mieux se g\u00e9n\u00e9raliser et de poss\u00e9der des images latentes (entre le bruit et l\u2019image finale) plus explicables. En rejoignant le <strong>cursus expert de Deep Learning<\/strong>, vous serez capable d&rsquo;utiliser ce mod\u00e8le avec Tensorflow afin de l&rsquo;adapter \u00e0 diff\u00e9rentes t\u00e2ches de g\u00e9n\u00e9ration.<\/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-04afefb elementor-align-center button-principale elementor-widget elementor-widget-button\" data-id=\"04afefb\" 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-deep-learning\">\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 le cursus Deep Learning<\/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\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>I &#8211; Introduction Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du Deep Learning en 2019, vous avez sans doute entendu parler de StyleGAN le r\u00e9seau antagoniste g\u00e9n\u00e9ratif d\u00e9velopp\u00e9 par des chercheurs de chez Nvidia en fin 2018. Cet algorithme s\u2019est fait conna\u00eetre du grand public en f\u00e9vrier 2019, alors qu\u2019il venait [&hellip;]<\/p>\n","protected":false},"author":77,"featured_media":157013,"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>StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas<\/title>\n<meta name=\"description\" content=\"Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du Deep Learning en 2019, vous avez sans doute entendu parler de StyleGAN le r\u00e9seau antagoniste g\u00e9n\u00e9ratif d\u00e9velopp\u00e9 par des chercheurs de chez Nvidia en fin 2018.\" \/>\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\/stylegan\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas\" \/>\n<meta property=\"og:url\" content=\"https:\/\/datascientest.com\/stylegan\" \/>\n<meta property=\"og:site_name\" content=\"Formation Data Science | DataScientest.com\" \/>\n<meta property=\"article:published_time\" content=\"2022-04-20T09:20:59+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-09T14:04:24+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/04\/Illu_BLOG_NEW_styleGAN-1.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=\"Raphael Kassel\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Raphael Kassel\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"7 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/datascientest.com\/stylegan\",\"url\":\"https:\/\/datascientest.com\/stylegan\",\"name\":\"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas\",\"isPartOf\":{\"@id\":\"https:\/\/datascientest.com\/#website\"},\"datePublished\":\"2022-04-20T09:20:59+00:00\",\"dateModified\":\"2023-11-09T14:04:24+00:00\",\"author\":{\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1\"},\"description\":\"Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du Deep Learning en 2019, vous avez sans doute entendu parler de StyleGAN le r\u00e9seau antagoniste g\u00e9n\u00e9ratif d\u00e9velopp\u00e9 par des chercheurs de chez Nvidia en fin 2018.\",\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/datascientest.com\/stylegan\"]}]},{\"@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\/6eca16f63daaafcbc96e15549b9d4ee1\",\"name\":\"Raphael Kassel\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/datascientest.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg\",\"contentUrl\":\"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg\",\"caption\":\"Raphael Kassel\"},\"description\":\"Raphael Kassel est le Head of Data Programs chez DataScientest. Il supervise une \u00e9quipe Data, impl\u00e9mente de nouveaux parcours comme \\\"Chef de projet IA\\\" et \\\"Data Product Manager\\\", et contribue \u00e0 la modernisation des op\u00e9rations du groupe. En collaboration \u00e9troite avec l'\u00e9quipe de d\u00e9veloppement, il adapte l'accompagnement acad\u00e9mique aux \u00e9volutions de l'\u00e9quipe data et \u00e0 l'internationalisation.\",\"sameAs\":[\"https:\/\/www.linkedin.com\/in\/raphaelkassel\/\",\"Data Science\"],\"url\":\"https:\/\/datascientest.com\/author\/raphaelkassel\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas","description":"Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du Deep Learning en 2019, vous avez sans doute entendu parler de StyleGAN le r\u00e9seau antagoniste g\u00e9n\u00e9ratif d\u00e9velopp\u00e9 par des chercheurs de chez Nvidia en fin 2018.","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\/stylegan","og_locale":"fr_FR","og_type":"article","og_title":"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas","og_url":"https:\/\/datascientest.com\/stylegan","og_site_name":"Formation Data Science | DataScientest.com","article_published_time":"2022-04-20T09:20:59+00:00","article_modified_time":"2023-11-09T14:04:24+00:00","og_image":[{"width":2560,"height":1405,"url":"https:\/\/datascientest.com\/wp-content\/uploads\/2022\/04\/Illu_BLOG_NEW_styleGAN-1.png","type":"image\/png"}],"author":"Raphael Kassel","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Raphael Kassel","Dur\u00e9e de lecture estim\u00e9e":"7 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/datascientest.com\/stylegan","url":"https:\/\/datascientest.com\/stylegan","name":"StyleGAN, le g\u00e9n\u00e9rateur de visages humains qui n\u2019existent pas","isPartOf":{"@id":"https:\/\/datascientest.com\/#website"},"datePublished":"2022-04-20T09:20:59+00:00","dateModified":"2023-11-09T14:04:24+00:00","author":{"@id":"https:\/\/datascientest.com\/#\/schema\/person\/6eca16f63daaafcbc96e15549b9d4ee1"},"description":"Si vous vous \u00eates tenu inform\u00e9 des innovations dans le domaine du Deep Learning en 2019, vous avez sans doute entendu parler de StyleGAN le r\u00e9seau antagoniste g\u00e9n\u00e9ratif d\u00e9velopp\u00e9 par des chercheurs de chez Nvidia en fin 2018.","inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/datascientest.com\/stylegan"]}]},{"@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\/6eca16f63daaafcbc96e15549b9d4ee1","name":"Raphael Kassel","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/datascientest.com\/#\/schema\/person\/image\/","url":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg","contentUrl":"https:\/\/datascientest.com\/wp-content\/uploads\/2023\/11\/raph.jpeg","caption":"Raphael Kassel"},"description":"Raphael Kassel est le Head of Data Programs chez DataScientest. Il supervise une \u00e9quipe Data, impl\u00e9mente de nouveaux parcours comme \"Chef de projet IA\" et \"Data Product Manager\", et contribue \u00e0 la modernisation des op\u00e9rations du groupe. En collaboration \u00e9troite avec l'\u00e9quipe de d\u00e9veloppement, il adapte l'accompagnement acad\u00e9mique aux \u00e9volutions de l'\u00e9quipe data et \u00e0 l'internationalisation.","sameAs":["https:\/\/www.linkedin.com\/in\/raphaelkassel\/","Data Science"],"url":"https:\/\/datascientest.com\/author\/raphaelkassel"}]}},"_links":{"self":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/162990"}],"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\/77"}],"replies":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/comments?post=162990"}],"version-history":[{"count":0,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/posts\/162990\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media\/157013"}],"wp:attachment":[{"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/media?parent=162990"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/categories?post=162990"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datascientest.com\/wp-json\/wp\/v2\/tags?post=162990"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}