diff --git a/README.md b/README.md index def560128a33a03ff3d0ea93fa7d4be94394055b..be48bc8a9fb9e0e224ec4e2339b3bc0b84b9a68e 100644 --- a/README.md +++ b/README.md @@ -38,10 +38,8 @@ Pour contrôler quel chiffre le générateur doit produire, nous implémentons u - Une perte par entropie croisée catégorielle est utilisée pour le discriminateur au lieu d'une perte binaire, puisqu'il effectue une classification multi-classes. - La fonction de perte encourage le générateur à produire des chiffres bien classifiés. -#### Exemples d'images générées par le cGAN : -(Insérer ici des images d'exemples de chiffres générés conditionnellement) -## Bonus : Implémentation d'un cGAN avec Discriminateur Multi-Class +## Implémentation d'un cGAN avec Discriminateur Multi-Class Pour améliorer la génération d'images et éviter les ambiguïtés entre certains chiffres (ex: 3 vs 7), nous avons mis en place un discriminateur multi-classes qui classifie les images générées en l'une des 10 catégories de chiffres ou comme une image générée. @@ -53,9 +51,9 @@ Pour améliorer la génération d'images et éviter les ambiguïtés entre certa | **cGAN avec Discriminateur Multi-Class** | Le générateur produit des chiffres conditionnés sur le label, et le discriminateur apprend à classifier les images dans une des 10 catégories de chiffres ou comme fausses. | Améliore la qualité des images générées et réduit l’ambiguïté entre les chiffres. | #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur (real/fake) : -.png) + #### Exemples d'images générées de numéro (3) par le cGAN avec Discriminateur Multi-Class : -.png) + ## Conclusion - Les GANs permettent de générer des chiffres manuscrits réalistes.