在这篇文章中,我们将探索如何在美国各地城市的地图数据和公共电动自行车订阅源上训练一个快速生成的对抗网络(GAN)模型。
然后,我们可以通过为包括东京在内的世界各地城市创建合成数据集来测试该模型的学习和概括能力。
git clone https://github.com/gretelai/GAN-location-generator.git
在之前的一篇博客中,我们根据电子自行车订阅源中的精确位置数据训练了一个基于LSTM的语言模型,并使用该模型为相同地区(如加利福尼亚州圣莫尼卡)生成合成和隐私增强数据集。
通过以不同的方式构建问题,并结合地图数据作为背景,我们可以创建一个模型,生成人类可能访问世界各地的精确位置。
开始
我们可以通过将电动自行车位置数据编码为像素到图像中,然后训练类似于CycleGAN、Pix2pix和StyleGAN的图像翻译任务来对此进行建模。
在这篇文章中,我们将使用由pix2pix和CycleGAN的作者创建的FastCUT模型,因为它的内存效率高,训练速度快(适用于更高分辨率的位置)。
使用GitHub上完整的端到端示例,为自己的城市创建合成位置数据https://github.com/gretelai/GAN-location-generator.git
步骤
模拟训练步骤
从地图上精确的电动自行车位置创建DomainA
从相同的地图创建Domain