Um die Inhalte dieses Kurses verstehen zu können, solltest du bereits mit Grundlagen neuronaler Netze vertraut sein.
Künstliche neuronale Netze können nicht nur verwendet werden, um Klassifikationsaufgaben zu lösen. Mit der Generierung von Bildern gehen wir einer weiteren Einsatzmöglichkeit nach.
Wie üblich benötigen Trainingsdaten. Dies sind nun Bilder von Objekten, die wir anschließend generieren wollen. Um es einfach zu halten, beschränken wir uns auf Schwarz-Weiß-Bilder und machen uns klar, dass jedes Schwarz-Weiß-Bild auch als Zeilenvektor oder Datenfeld von Zahlen interpretiert werden kann:
![](figure/courses/generative/image-to-vector.png)
Auf diese Art und Weise sind auch alle Datensätze aufgebaut, die in diesem Kurs verwendet werden:
Pixel 1 | Pixel 2 | Pixel 3 | ... | Pixel n | |
Bild 1 | Graustufe | Graustufe | Graustufe | ... | Graustufe |
Bild 2 | Graustufe | Graustufe | Graustufe | ... | Graustufe |
... | ... | ... | ... | ... | |
Bild m | Graustufe | Graustufe | Graustufe | ... | Graustufe |
Jede Zeile repräsentiert ein Schwarz-Weiß-Bild, wobei die Zahlenwerte zwischen 0 (Schwarz) und 1 (Weiß) jeweils die Graustufe der einzelnen Bildpunkte (Pixel) kodieren.
Das Scribble-Datenpaket beinhaltet Schwarz-Weiß-Bilder (Strichzeichnungen) unterschiedlicher Objekte:
Diese können als Datensatz ausgelesen werden, sodass jede Zeile als Bild dargestellt werden kann (z.B. unter Verwendung des Picture-Pakets):