@@ -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.
