生成對(duì)抗網(wǎng)絡(luò)項(xiàng)目實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	凱拉什·阿伊瓦（Kailash Ahirwar）著，倪琛譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥69.00)

ISBN：	9787115485441	出版時(shí)間：	2020-01-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	213	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　生成對(duì)抗網(wǎng)絡(luò)（GAN）可以模擬任何數(shù)據(jù)分布方式，因而潛力巨大，為很多難以自動(dòng)化的問(wèn)題提供了解決途徑。本書(shū)立足理論，著重實(shí)踐，帶領(lǐng)讀者快速熟悉并上手GAN。本書(shū)首先介紹構(gòu)建高效項(xiàng)目所涉及的概念、工具和庫(kù)，然后利用不同類(lèi)型的數(shù)據(jù)集，依次構(gòu)建7個(gè)GAN項(xiàng)目，訓(xùn)練并優(yōu)化GAN模型。這些項(xiàng)目涵蓋了各種流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。

作者簡(jiǎn)介

　　凱拉什·阿伊瓦（Kailash Ahirwar）是機(jī)器學(xué)習(xí)解決方案平臺(tái)Mate Labs的聯(lián)合創(chuàng)始人兼首席技術(shù)官，與人合作發(fā)明了去中心化的分布式深度學(xué)習(xí)訓(xùn)練協(xié)議Raven Protocol，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)愛(ài)好者，其研究工作涉及人工智能的許多領(lǐng)域，包括自然語(yǔ)言處理、計(jì)算機(jī)視覺(jué)，以及使用GAN進(jìn)行生成建模。

圖書(shū)目錄

前言 iii
第 1章生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介 1
1．1 什么是GAN 1
1．1．1 什么是生成網(wǎng)絡(luò) 1
1．1．2 什么是判別網(wǎng)絡(luò) 2
1．1．3 GAN通過(guò)對(duì)抗競(jìng)賽進(jìn)行訓(xùn)練 2
1．2 GAN的實(shí)際應(yīng)用 2
1．3 GAN的具體架構(gòu) 3
1．3．1 生成網(wǎng)絡(luò)的架構(gòu) 3
1．3．2 判別網(wǎng)絡(luò)的架構(gòu) 4
1．3．3 GAN相關(guān)重要概念 5
1．3．4 評(píng)分算法 7
1．4 GAN變體 8
1．4．1 深度卷積生成對(duì)抗網(wǎng)絡(luò) 8
1．4．2 StackGAN 9
1．4．3 CycleGAN 9
1．4．4 3D-GAN 9
1．4．5 Age-cGAN 9
1．4．6 pix2pix 9
1．5 GAN的優(yōu)勢(shì) 10
1．6 訓(xùn)練GAN的問(wèn)題 10
1．6．1 模式塌陷 10
1．6．2 梯度消失 10
1．6．3 內(nèi)部協(xié)變量轉(zhuǎn)移 11
1．7 解決GAN訓(xùn)練穩(wěn)定性問(wèn)題 11
1．7．1 特征匹配 11
1．7．2 小批量判別 12
1．7．3 歷史平均 13
1．7．4 單面標(biāo)簽平滑 13
1．7．5 批歸一化 14
1．7．6 實(shí)例歸一化 14
1．8 小結(jié) 14
第 2章使用3D-GAN生成圖形 15
2．1 3D-GAN簡(jiǎn)介 15
2．1．1 3D卷積 15
2．1．2 3D-GAN架構(gòu) 16
2．1．3 目標(biāo)函數(shù) 20
2．1．4 訓(xùn)練3D-GAN 20
2．2 創(chuàng)建項(xiàng)目 21
2．3 準(zhǔn)備數(shù)據(jù) 21
2．3．1 下載并提取數(shù)據(jù)集 22
2．3．2 探索數(shù)據(jù)集 22
2．4 3D-GAN的Keras實(shí)現(xiàn) 25
2．4．1 生成網(wǎng)絡(luò) 25
2．4．2 判別網(wǎng)絡(luò) 27
2．5 訓(xùn)練3D-GAN 28
2．5．1 訓(xùn)練兩個(gè)網(wǎng)絡(luò) 28
2．5．2 保存模型 31
2．5．3 測(cè)試模型 32
2．5．4 損失可視化 32
2．5．5 圖可視化 33
2．6 超參數(shù)優(yōu)化 34
2．7 3D-GAN的實(shí)際應(yīng)用 34
2．8 小結(jié) 34
第3章使用cGAN實(shí)現(xiàn)人臉老化 35
3．1 人臉老化cGAN簡(jiǎn)介 35
3．1．1 理解cGAN 35
3．1．2 Age-cGAN架構(gòu) 36
3．1．3 Age-cGAN的訓(xùn)練階段 37
3．2 創(chuàng)建項(xiàng)目 39
3．3 準(zhǔn)備數(shù)據(jù) 39
3．3．1 下載數(shù)據(jù)集 40
3．3．2 提取數(shù)據(jù)集 40
3．4 Age-cGAN的Keras實(shí)現(xiàn) 41
3．4．1 編碼網(wǎng)絡(luò) 42
3．4．2 生成網(wǎng)絡(luò) 44
3．4．3 判別網(wǎng)絡(luò) 47
3．5 訓(xùn)練cGAN 49
3．5．1 訓(xùn)練cGAN 49
3．5．2 潛在向量初步近似 55
3．5．3 潛在向量?jī)?yōu)化 57
3．5．4 損失可視化 59
3．5．5 圖可視化 60
3．6 Age-cGAN的實(shí)際應(yīng)用 61
3．7 小結(jié) 62
第4章使用DCGAN生成動(dòng)畫(huà)人物 63
4．1 DCGAN 簡(jiǎn)介 63
4．2 創(chuàng)建項(xiàng)目 69
4．3 下載并準(zhǔn)備動(dòng)畫(huà)人物數(shù)據(jù)集 70
4．3．1 下載數(shù)據(jù)集 70
4．3．2 探索數(shù)據(jù)集 71
4．3．3 剪裁及縮放訓(xùn)練集圖像 71
4．4 使用Keras實(shí)現(xiàn)DCGAN 73
4．4．1 生成網(wǎng)絡(luò) 74
4．4．2 判別網(wǎng)絡(luò) 76
4．5 訓(xùn)練DCGAN 78
4．5．1 加載樣本 79
4．5．2 構(gòu)建并編譯網(wǎng)絡(luò) 79
4．5．3 訓(xùn)練判別網(wǎng)絡(luò) 81
4．5．4 訓(xùn)練生成網(wǎng)絡(luò) 81
4．5．5 生成圖像 82
4．5．6 保存模型 83
4．5．7 生成圖像可視化 83
4．5．8 損失可視化 84
4．5．9 圖可視化 85
4．5．10 超參數(shù)調(diào)優(yōu) 85
4．6 DCGAN的實(shí)際應(yīng)用 86
4．7 小結(jié) 86
第5章使用SRGAN生成逼真圖像 87
5．1 SRGAN簡(jiǎn)介 87
5．1．1 SRGAN架構(gòu) 87
5．1．2 訓(xùn)練目標(biāo)函數(shù) 91
5．2 創(chuàng)建項(xiàng)目 92
5．3 下載CelebA數(shù)據(jù)集 93
5．4 SRGAN的Keras實(shí)現(xiàn) 94
5．4．1 生成網(wǎng)絡(luò) 94
5．4．2 判別網(wǎng)絡(luò) 98
5．4．3 VGG19網(wǎng)絡(luò) 101
5．4．4 對(duì)抗網(wǎng)絡(luò) 102
5．5 訓(xùn)練SRGAN 103
5．5．1 構(gòu)建并編譯網(wǎng)絡(luò) 103
5．5．2 訓(xùn)練判別網(wǎng)絡(luò) 105
5．5．3 訓(xùn)練生成網(wǎng)絡(luò) 106
5．5．4 保存模型 107
5．5．5 生成圖像可視化 107
5．5．6 損失可視化 109
5．5．7 圖可視化 110
5．6 SRGAN的實(shí)際應(yīng)用 110
5．7 小結(jié) 110
第6章 StackGAN：基于文本合成逼真圖像 111
6．1 StackGAN簡(jiǎn)介 111
6．2 StackGAN架構(gòu) 112
6．2．1 文本編碼網(wǎng)絡(luò) 113
6．2．2 CA塊 113
6．2．3 第一階段 114
6．2．4 第二階段 117
6．3 創(chuàng)建項(xiàng)目 122
6．4 準(zhǔn)備數(shù)據(jù) 123
6．4．1 下載數(shù)據(jù)集 123
6．4．2 提取數(shù)據(jù)集 124
6．4．3 探索數(shù)據(jù)集 124
6．5 StackGAN的Keras 實(shí)現(xiàn) 124
6．5．1 第一階段 124
6．5．2 第二階段 132
6．6 訓(xùn)練 StackGAN 141
6．6．1 訓(xùn)練StackGAN第一階段 141
6．6．2 訓(xùn)練StackGAN第二階段 148
6．6．3 生成圖像可視化 152
6．6．4 損失可視化 152
6．6．5 圖可視化 153
6．7 StackGAN的實(shí)際應(yīng)用 154
6．8 小結(jié) 154
第7章使用CycleGAN將繪畫(huà)轉(zhuǎn)換為照片 155
7．1 CycleGAN簡(jiǎn)介 155
7．1．1 CycleGAN 架構(gòu) 156
7．1．2 訓(xùn)練目標(biāo)函數(shù) 160
7．2 創(chuàng)建項(xiàng)目 161
7．3 下載數(shù)據(jù)集 162
7．4 CycleGAN的Keras實(shí)現(xiàn) 162
7．4．1 生成網(wǎng)絡(luò) 163
7．4．2 判別網(wǎng)絡(luò) 165
7．5 訓(xùn)練 CycleGAN 167
7．5．1 加載數(shù)據(jù)集 167
7．5．2 構(gòu)建并編譯網(wǎng)絡(luò) 169
7．5．3 開(kāi)始訓(xùn)練 171
7．5．4 保存模型 173
7．5．5 生成圖像可視化 174
7．5．6 損失可視化 175
7．5．7 圖可視化 176
7．6 CycleGAN的實(shí)際應(yīng)用 176
7．7 小結(jié) 177
7．8 延伸閱讀 177
第8章使用cGAN實(shí)現(xiàn)圖像對(duì)圖像變換 178
8．1 pix2pix簡(jiǎn)介 178
8．1．1 pix2pix架構(gòu) 179
8．1．2 訓(xùn)練目標(biāo)函數(shù) 184
8．2 創(chuàng)建項(xiàng)目 184
8．3 準(zhǔn)備數(shù)據(jù) 185
8．4 pix2pix的Keras實(shí)現(xiàn) 189
8．4．1 生成網(wǎng)絡(luò) 189
8．4．2 判別網(wǎng)絡(luò) 195
8．4．3 對(duì)抗網(wǎng)絡(luò) 200
8．5 訓(xùn)練pix2pix網(wǎng)絡(luò) 202
8．5．1 保存模型 206
8．5．2 生成圖像可視化 206
8．5．3 損失可視化 207
8．5．4 圖可視化 208
8．6 pix2pix網(wǎng)絡(luò)的實(shí)際應(yīng)用 208
8．7 小結(jié) 211
第9章預(yù)測(cè)GAN的未來(lái) 210
9．1 對(duì)GAN未來(lái)的預(yù)測(cè) 211
9．1．1 提升現(xiàn)有的深度學(xué)習(xí)方法 211
9．1．2 GAN商業(yè)應(yīng)用的演化 211
9．1．3 GAN訓(xùn)練過(guò)程的成熟 211
9．2 GAN未來(lái)的潛在應(yīng)用 211
9．2．1 基于文本創(chuàng)建信息圖 212
9．2．2 設(shè)計(jì)網(wǎng)站 212
9．2．3 壓縮數(shù)據(jù) 212
9．2．4 研發(fā)藥物 212
9．2．5 使用GAN生成文本 212
9．2．6 使用GAN生成音樂(lè) 213
9．3 探索GAN 213
9．4 小結(jié) 213
版權(quán)聲明 214