生成對抗網(wǎng)絡項目實戰(zhàn)

定　價：￥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：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787115485441	出版時間：	2020-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	213	字數(shù)：

內容簡介

　　生成對抗網(wǎng)絡（GAN）可以模擬任何數(shù)據(jù)分布方式，因而潛力巨大，為很多難以自動化的問題提供了解決途徑。本書立足理論，著重實踐，帶領讀者快速熟悉并上手GAN。本書首先介紹構建高效項目所涉及的概念、工具和庫，然后利用不同類型的數(shù)據(jù)集，依次構建7個GAN項目，訓練并優(yōu)化GAN模型。這些項目涵蓋了各種流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。

作者簡介

　　凱拉什·阿伊瓦（Kailash Ahirwar）是機器學習解決方案平臺Mate Labs的聯(lián)合創(chuàng)始人兼首席技術官，與人合作發(fā)明了去中心化的分布式深度學習訓練協(xié)議Raven Protocol，機器學習和深度學習愛好者，其研究工作涉及人工智能的許多領域，包括自然語言處理、計算機視覺，以及使用GAN進行生成建模。

圖書目錄

前言 iii
第 1章生成對抗網(wǎng)絡簡介 1
1．1 什么是GAN 1
1．1．1 什么是生成網(wǎng)絡 1
1．1．2 什么是判別網(wǎng)絡 2
1．1．3 GAN通過對抗競賽進行訓練 2
1．2 GAN的實際應用 2
1．3 GAN的具體架構 3
1．3．1 生成網(wǎng)絡的架構 3
1．3．2 判別網(wǎng)絡的架構 4
1．3．3 GAN相關重要概念 5
1．3．4 評分算法 7
1．4 GAN變體 8
1．4．1 深度卷積生成對抗網(wǎng)絡 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 10
1．6 訓練GAN的問題 10
1．6．1 模式塌陷 10
1．6．2 梯度消失 10
1．6．3 內部協(xié)變量轉移 11
1．7 解決GAN訓練穩(wěn)定性問題 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 單面標簽平滑 13
1．7．5 批歸一化 14
1．7．6 實例歸一化 14
1．8 小結 14
第 2章使用3D-GAN生成圖形 15
2．1 3D-GAN簡介 15
2．1．1 3D卷積 15
2．1．2 3D-GAN架構 16
2．1．3 目標函數(shù) 20
2．1．4 訓練3D-GAN 20
2．2 創(chuàng)建項目 21
2．3 準備數(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實現(xiàn) 25
2．4．1 生成網(wǎng)絡 25
2．4．2 判別網(wǎng)絡 27
2．5 訓練3D-GAN 28
2．5．1 訓練兩個網(wǎng)絡 28
2．5．2 保存模型 31
2．5．3 測試模型 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的實際應用 34
2．8 小結 34
第3章使用cGAN實現(xiàn)人臉老化 35
3．1 人臉老化cGAN簡介 35
3．1．1 理解cGAN 35
3．1．2 Age-cGAN架構 36
3．1．3 Age-cGAN的訓練階段 37
3．2 創(chuàng)建項目 39
3．3 準備數(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實現(xiàn) 41
3．4．1 編碼網(wǎng)絡 42
3．4．2 生成網(wǎng)絡 44
3．4．3 判別網(wǎng)絡 47
3．5 訓練cGAN 49
3．5．1 訓練cGAN 49
3．5．2 潛在向量初步近似 55
3．5．3 潛在向量優(yōu)化 57
3．5．4 損失可視化 59
3．5．5 圖可視化 60
3．6 Age-cGAN的實際應用 61
3．7 小結 62
第4章使用DCGAN生成動畫人物 63
4．1 DCGAN 簡介 63
4．2 創(chuàng)建項目 69
4．3 下載并準備動畫人物數(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 剪裁及縮放訓練集圖像 71
4．4 使用Keras實現(xiàn)DCGAN 73
4．4．1 生成網(wǎng)絡 74
4．4．2 判別網(wǎng)絡 76
4．5 訓練DCGAN 78
4．5．1 加載樣本 79
4．5．2 構建并編譯網(wǎng)絡 79
4．5．3 訓練判別網(wǎng)絡 81
4．5．4 訓練生成網(wǎng)絡 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)調優(yōu) 85
4．6 DCGAN的實際應用 86
4．7 小結 86
第5章使用SRGAN生成逼真圖像 87
5．1 SRGAN簡介 87
5．1．1 SRGAN架構 87
5．1．2 訓練目標函數(shù) 91
5．2 創(chuàng)建項目 92
5．3 下載CelebA數(shù)據(jù)集 93
5．4 SRGAN的Keras實現(xiàn) 94
5．4．1 生成網(wǎng)絡 94
5．4．2 判別網(wǎng)絡 98
5．4．3 VGG19網(wǎng)絡 101
5．4．4 對抗網(wǎng)絡 102
5．5 訓練SRGAN 103
5．5．1 構建并編譯網(wǎng)絡 103
5．5．2 訓練判別網(wǎng)絡 105
5．5．3 訓練生成網(wǎng)絡 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的實際應用 110
5．7 小結 110
第6章 StackGAN：基于文本合成逼真圖像 111
6．1 StackGAN簡介 111
6．2 StackGAN架構 112
6．2．1 文本編碼網(wǎng)絡 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)建項目 122
6．4 準備數(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 實現(xiàn) 124
6．5．1 第一階段 124
6．5．2 第二階段 132
6．6 訓練 StackGAN 141
6．6．1 訓練StackGAN第一階段 141
6．6．2 訓練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的實際應用 154
6．8 小結 154
第7章使用CycleGAN將繪畫轉換為照片 155
7．1 CycleGAN簡介 155
7．1．1 CycleGAN 架構 156
7．1．2 訓練目標函數(shù) 160
7．2 創(chuàng)建項目 161
7．3 下載數(shù)據(jù)集 162
7．4 CycleGAN的Keras實現(xiàn) 162
7．4．1 生成網(wǎng)絡 163
7．4．2 判別網(wǎng)絡 165
7．5 訓練 CycleGAN 167
7．5．1 加載數(shù)據(jù)集 167
7．5．2 構建并編譯網(wǎng)絡 169
7．5．3 開始訓練 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的實際應用 176
7．7 小結 177
7．8 延伸閱讀 177
第8章使用cGAN實現(xiàn)圖像對圖像變換 178
8．1 pix2pix簡介 178
8．1．1 pix2pix架構 179
8．1．2 訓練目標函數(shù) 184
8．2 創(chuàng)建項目 184
8．3 準備數(shù)據(jù) 185
8．4 pix2pix的Keras實現(xiàn) 189
8．4．1 生成網(wǎng)絡 189
8．4．2 判別網(wǎng)絡 195
8．4．3 對抗網(wǎng)絡 200
8．5 訓練pix2pix網(wǎng)絡 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)絡的實際應用 208
8．7 小結 211
第9章預測GAN的未來 210
9．1 對GAN未來的預測 211
9．1．1 提升現(xiàn)有的深度學習方法 211
9．1．2 GAN商業(yè)應用的演化 211
9．1．3 GAN訓練過程的成熟 211
9．2 GAN未來的潛在應用 211
9．2．1 基于文本創(chuàng)建信息圖 212
9．2．2 設計網(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 213
9．3 探索GAN 213
9．4 小結 213
版權聲明 214