first commit

README.md

 # GAN & cGAN tutorial.
 
-We recommand to use the notebook (.ipynb) but the Python script (.py) is also provided if more convenient for you.
+Le but de ce BE est de se familiariser avec les GAN. Deux types d'architectures sont mises en place ici, à savoir un Deep Convulotional GAN (DC-GAN) et un Conditional GAN (cGAN).
 
-# How to submit your Work ?
+## DC-GAN
+On cherche ici à réutiliser un réseau entrainé à générer des visages de célébrité pour lui apprendre à générer des chiffres manuscrits. Le dataset utilisé pour ça est le MNIST dataset.
 
-This work must be done individually. The expected output is a repository named gan-cgan on https://gitlab.ec-lyon.fr. It must contain your notebook (or python files) and a README.md file that explains briefly the successive steps of the project. The last commit is due before 11:59 pm on Wednesday, March 29, 2023. Subsequent commits will not be considered.
+On récupère le code présent sur le site https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html. Il nous faut ensuite modifier le jeu de données utilisé et qulques paramètres comme le nombre de channels car on passe d'image codées en RGB à des niveaux de gris.
\ No newline at end of file
+
+Sont ensuite entrainés succéssivement le générateur et le discriminateur. 
+
+![](error.png)
+
+Le graphique ci-dessus montre bien les apprentissages successifs des deux parties de l'architecture. Les résultats obtenus sont présentés sur l'image suivante :
+
+![](chiffres.png)
+
+Même si tous les échantillons ne sont pas réussis, l'allure générale est plutôt satisfaisante. Un apprentissage plus long permettrait probablement d'obtenir de très bons résultats.
+
+## Conditional GAN
+La deuxième partie de ce BE porte sur un conditional GAN. Le but n'est plus de générer une image à partir d'un simple bruit mais d'également prendre en compte une image d'entrée. Plus précisémment, on souhaite produire une image réaliste de facade correspondant à une esquisse très simple. On dispose pour cela d'un jeu de données de couples d'images avec une telle esquisse et une photo réelle. L'image suivante en donne un exemple :
+![](building.png)
+La structure du générateur est plus complexe que précédemment, on utilise un U-net qui consite à appliquer un encoder et un décodeur à l'image de départ tout en réalisant des connections entre les couches corresponantes de l'encodeur et du décodeur. Cela a l'avantage de capter des schémas de données à différentes échelles spatiales et d'éviter des problèmes de perte d'information ou de vanishing gradient.
+
+L'architecture choisie est précisément la suivante :
+![](unet.png)
+
+Le discriminateur est quant à lui un PatchGAN, une succession de couches convolutives.
+
+Maintenant que l'architecture est construite, il faut définir une erreur qui va permettre un apprentissage. On forme une loss function à partir de 2 erreurs différentes. La première correspond à l'erreur de classification du discriminateur. C'est une erreur binaire qui est inversée pour le discriminateur et le générateur (si le discrimateur a juste c'est une erreur du côté du générateur). Ensuite on rajoute une erreur pixel à pixel entre l'image du générateur et la vraie image associée à une esquisse. La combinaison de ces 2 erreurs permet de générer les images de facades correspondant aux esquisses.
+
+La suite du projet n'a pas été réussie à cause d'un problème dans l'entrainement des réseaux. La partie évaluation des résultats n'a donc pas pu être réalisée.