Modèle génératif - Historique des versions

Jean-Sébastien Zavalone : Remplacement de texte : « 
{{Modèle:101}}
 » par « {{Modèle:101}} »

2025-07-21T20:34:13Z

Remplacement de texte : « </small><br> {{Modèle:101}}<br> » par « {{Modèle:101}} »

← Version précédente		Version du 21 juillet 2025 à 16:34
Ligne 37 :		Ligne 37 :
	[https://fr.wikipedia.org/wiki/Réseaux_antagonistes_génératifs Source: Wikipedia, ''Réseaux antagonistes génératifs''.]		[https://fr.wikipedia.org/wiki/Réseaux_antagonistes_génératifs Source: Wikipedia, ''Réseaux antagonistes génératifs''.]

	~~</small><br>~~ {{Modèle:101}}~~<br>~~		{{Modèle:101}}


	[[Category:101]]		[[Category:101]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]

Pitpitt le 5 janvier 2025 à 16:35

2025-01-05T16:35:17Z

← Version précédente		Version du 5 janvier 2025 à 12:35
Ligne 2 :		Ligne 2 :
	Un modèle génératif est un modèle d'[[apprentissage automatique]] qui permet à la fois de générer de nouveaux exemples à partir des données d'entraînement et d'évaluer la probabilité qu'un nouvel exemple provienne ou ait été généré à partir des données d'entraînement.		Un modèle génératif est un modèle d'[[apprentissage automatique]] qui permet à la fois de générer de nouveaux exemples à partir des données d'entraînement et d'évaluer la probabilité qu'un nouvel exemple provienne ou ait été généré à partir des données d'entraînement.

	Dit autrement, un modèle génératif « apprend » une distribution de probabilité à partir d’un jeu de données, pour ensuite être capable de générer de nouveaux exemples « originaux » de données.		Dit autrement, un modèle génératif « apprend » une distribution de probabilité à partir d’un [[jeu de données]], pour ensuite être capable de générer de nouveaux exemples « originaux » de données.

	== Compléments ==		== Compléments ==

Pitpitt : Remplacement de texte : « Category:Termino 2019 » par «  »

2024-10-11T13:33:49Z

Remplacement de texte : « Category:Termino 2019 » par «  »

← Version précédente		Version du 11 octobre 2024 à 09:33
Ligne 39 :		Ligne 39 :
	</small><br> {{Modèle:101}}<br>		</small><br> {{Modèle:101}}<br>

	~~[[Category:Termino 2019]]~~
	[[Category:101]]		[[Category:101]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]

Pitpitt : Remplacement de texte : « ↵ » par «  ==Sources== »

2024-01-28T14:53:46Z

Remplacement de texte : « ↵<small> » par «  ==Sources== »

← Version précédente		Version du 28 janvier 2024 à 10:53
Ligne 30 :		Ligne 30 :
	'''generative model'''		'''generative model'''

	~~<small>~~
			==Sources==

	Source: Ahmed, Faruk (2017). ''Generative models for natural images, mémoire de maitrise'', Université de Montréal, 88 pages.		Source: Ahmed, Faruk (2017). ''Generative models for natural images, mémoire de maitrise'', Université de Montréal, 88 pages.

Pitpitt : Remplacement de texte : « 
↵

 » par « {{Modèle:101}} »

2024-01-05T17:59:46Z

Remplacement de texte : « <div style="border:2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-101-mots.png" width="250"></a></html> ↵<br></div><br> » par « {{Modèle:101}} »

← Version précédente		Version du 5 janvier 2024 à 13:59
Ligne 36 :		Ligne 36 :
	[https://fr.wikipedia.org/wiki/Réseaux_antagonistes_génératifs Source: Wikipedia, ''Réseaux antagonistes génératifs''.]		[https://fr.wikipedia.org/wiki/Réseaux_antagonistes_génératifs Source: Wikipedia, ''Réseaux antagonistes génératifs''.]

	</small><br> ~~<div style="border~~:~~2px solid #336699; background: #f6f6f6; padding: 1em; margin-bottom:1em; width: 90%;"><html><a href="https://datafranca.org/wiki/Cat%C3%A9gorie:101"><img src="https://datafranca.org/images/icone-~~101~~-mots.png" width="250"></a></html>~~		</small><br> {{Modèle:101}}<br>
	~~<br></div><br>~~<br>

	[[Category:Termino 2019]]		[[Category:Termino 2019]]
	[[Category:101]]		[[Category:101]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]

Pitpitt le 14 septembre 2023 à 14:31

2023-09-14T14:31:42Z

← Version précédente		Version du 14 septembre 2023 à 10:31
Ligne 42 :		Ligne 42 :
	[[Category:101]]		[[Category:101]]
	[[Category:GRAND LEXIQUE FRANÇAIS]]		[[Category:GRAND LEXIQUE FRANÇAIS]]
	~~[[Catégorie:Publication]]~~

Claude COULOMBE le 14 septembre 2023 à 04:07

2023-09-14T04:07:38Z

← Version précédente		Version du 14 septembre 2023 à 00:07
Ligne 11 :		Ligne 11 :
	Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>		Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>
	<br/>		<br/>
	<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte. On peut également transformer une image en une autre image (génération image-à-image) comme Pix2Pix.<br/><br/>		<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte. On peut également transformer une image en une autre image (génération image-à-image) comme Pix2Pix ou CycleGan.<br/><br/>

	Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>		Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>

Claude COULOMBE le 14 septembre 2023 à 04:04

2023-09-14T04:04:53Z

← Version précédente		Version du 14 septembre 2023 à 00:04
Ligne 11 :		Ligne 11 :
	Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>		Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>
	<br/>		<br/>
	<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte. On peut également transformer une image en une autre image (génération image-à-image).<br/><br/>		<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte. On peut également transformer une image en une autre image (génération image-à-image) comme Pix2Pix.<br/><br/>

	Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>		Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>

Claude COULOMBE le 14 septembre 2023 à 04:02

2023-09-14T04:02:56Z

← Version précédente		Version du 14 septembre 2023 à 00:02
Ligne 11 :		Ligne 11 :
	Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>		Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>
	<br/>		<br/>
	<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte.<br/><br/>		<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte. On peut également transformer une image en une autre image (génération image-à-image).<br/><br/>

	Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>		Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>

Claude COULOMBE le 14 septembre 2023 à 04:00

2023-09-14T04:00:30Z

← Version précédente		Version du 14 septembre 2023 à 00:00
Ligne 11 :		Ligne 11 :
	Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>		Par exemple, un modèle génératif inconditionnel pourra servir à enrichir ou [[augmentation des données\|à amplifier ou augmenter un jeu de données]]. Entraîné sur des images de visages, un modèle génératif inconditionnel sera capable de générer de nouvelles images de visages. Un autre exemple de modèle de génération inconditionnel est la super-résolution, qui est capable d'améliorer les images de faible qualité.</li>
	<br/>		<br/>
	<li>Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte.<br/><br/>		<li>Un modèle génératif conditionnel génère des données, mais à partir d’une autre information en entrée. Un modèle génératif conditionnel est entraîné en combinant deux entrées de données différentes mais appariées. Par exemple, une image et une entrée textuelle qui décrit cette image et conditionne au sens statistique la génération de l'image à du texte.<br/><br/>

	Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>		Par exemple, un modèle génératif conditionnel donne des choses comme la [[génération texte-à-image]] où quelqu'un peut générer une image à partir d'une requête textuelle, également la repeinte d'image et la retouche guidée par le texte où l'on peut supprimer, ajouter modifier des éléments dans une image à partir de commandes textuelles.</li>