123,123,123

內(nèi)容簡(jiǎn)介

　　·學(xué)習(xí)如何通過(guò)變分自動(dòng)編碼器改變圖像中人物的面部表情。 ·學(xué)習(xí)如何構(gòu)建GAN模型，包括風(fēng)格遷移模型CycleGAN以及音樂(lè)生成模型MuseGAN。 ·學(xué)習(xí)如何通過(guò)循環(huán)生成模型來(lái)生成文本，以及如何利用注意力機(jī)制改善模型。 ·學(xué)習(xí)如何利用生成模型幫助智能體在強(qiáng)化學(xué)習(xí)環(huán)境中完成任務(wù)。 ·探索Transformer（BERT、GPT-2），以及ProGAN和StyleGAN等圖像生成模型的架構(gòu)。

作者簡(jiǎn)介

　　David Foster是Applied Data Science的聯(lián)合創(chuàng)始人，這是一家數(shù)據(jù)科學(xué)咨詢公司，為客戶提供創(chuàng)新的解決方案。他擁有英國(guó)劍橋三一學(xué)院的數(shù)學(xué)碩士學(xué)位，以及華威大學(xué)運(yùn)籌學(xué)碩士學(xué)位。

圖書(shū)目錄

目錄
前言 .1
第一部分生成式深度學(xué)習(xí)概述
第1 章生成建模 11
1.1 什么是生成建模？ 11
1.1.1 生成建模與判別建模 13
1.1.2 機(jī)器學(xué)習(xí)的發(fā)展 . 14
1.1.3 生成建模的興起 . 15
1.1.4 生成建模的框架 . 18
1.2 概率生成模型 21
1.2.1 你好，Wrodl ！ 24
1.2.2 你的第一個(gè)概率生成模型 . 25
1.2.3 樸素貝葉斯 28
1.2.4 你好，Wrodl ！續(xù)篇 . 31
1.3 生成建模的難題 33
表示學(xué)習(xí) 34
1.4 設(shè)置環(huán)境 37
1.5 小結(jié) 40
第2 章深度學(xué)習(xí) 41
2.1 結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù) 41
2.2 深度神經(jīng)網(wǎng)絡(luò) 43
Keras 和TensorFlow 44
2.3 第一個(gè)深度神經(jīng)網(wǎng)絡(luò) . 45
2.3.1 加載數(shù)據(jù). 46
2.3.2 建立模型. 48
2.3.3 編譯模型. 52
2.3.4 訓(xùn)練模型. 54
2.3.5 評(píng)估模型. 55
2.4 改進(jìn)模型 58
2.4.1 卷積層 . 58
2.4.2 批標(biāo)準(zhǔn)化. 64
2.4.3 Dropout 層 . 66
2.4.4 結(jié)合所有層 68
2.5 小結(jié) 71
第3 章變分自動(dòng)編碼器 73
3.1 畫(huà)展 73
3.2 自動(dòng)編碼器 . 76
3.2.1 第一個(gè)自動(dòng)編碼器 . 77
3.2.2 編碼器 . 78
3.2.3 解碼器 . 80
3.2.4 連接編碼器與解碼器 82
3.2.5 分析自動(dòng)編碼器 . 84
3.3 變化后的畫(huà)展 87
3.4 構(gòu)建變分自動(dòng)編碼器 . 89
3.4.1 編碼器 . 89
3.4.2 損失函數(shù). 94
3.4.3 分析變分自動(dòng)編碼器 97
3.5 使用VAE 生成面部圖像 98
3.5.1 訓(xùn)練VAE 99
3.5.2 分析VAE . 102
3.5.3 生成新面孔 . 103
3.5.4 隱空間的算術(shù) 104
3.5.5 面部變形 106
3.6 小結(jié) . 107
第4 章生成對(duì)抗網(wǎng)絡(luò) 108
4.1 神秘獸 108
4.2 生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介 111
4.3 第一個(gè)生成對(duì)抗網(wǎng)絡(luò) 112
4.3.1 判別器 113
4.3.2 生成器 115
4.3.3 訓(xùn)練GAN 119
4.4 GAN 面臨的難題 125
4.4.1 損失震蕩 125
4.4.2 模式收縮 126
4.4.3 不提供信息的損失函數(shù) 126
4.4.4 超參數(shù) 127
4.4.5 解決GAN 面臨的難題 . 127
4.5 WGAN 127
4.5.1 Wasserstein 損失 128
4.5.2 利普希茨約束 130
4.5.3 權(quán)重裁剪 131
4.5.4 訓(xùn)練WGAN 132
4.5.5 分析WGAN 133
4.6 WGAN-GP 134
4.6.1 梯度懲罰損失 135
4.6.2 分析WGAN-GP 139
4.7 小結(jié) . 140
第二部分教機(jī)器繪畫(huà)、寫(xiě)作、作曲和玩游戲
第5 章繪畫(huà) 145
5.1 蘋(píng)果和橙子 146
5.2 CycleGAN 149
5.3 第一個(gè)CycleGAN 模型 . 151
5.3.1 簡(jiǎn)介 151
5.3.2 生成器（U-Net） 153
5.3.3 判別器 157
5.3.4 編譯CycleGAN 158
5.3.5 訓(xùn)練CycleGAN 161
5.3.6 分析CycleGAN 162
5.4 創(chuàng)建一個(gè)模仿莫奈作品的CycleGAN . 164
5.4.1 生成器（ResNet） 165
5.4.2 分析CycleGAN 166
5.5 神經(jīng)風(fēng)格遷移 . 168
5.5.1 內(nèi)容損失 169
5.5.2 風(fēng)格損失 172
5.5.3 總方差損失 . 175
5.5.4 運(yùn)行神經(jīng)風(fēng)格遷移 176
5.5.5 分析神經(jīng)風(fēng)格遷移模型 177
5.6 小結(jié) . 178
第6 章寫(xiě)作 179
6.1 壞家伙們的文學(xué)社 180
6.2 長(zhǎng)短期記憶網(wǎng)絡(luò) 181
6.3 第一個(gè)LSTM 網(wǎng)絡(luò) 182
6.3.1 分詞 183
6.3.2 建立數(shù)據(jù)集 . 185
6.3.3 LSTM 架構(gòu) . 187
6.3.4 嵌入層 187
6.3.5 LSTM 層 188
6.3.6 LSTM 元胞 . 190
6.4 生成新文本 192
6.5 RNN 擴(kuò)展 . 196
6.5.1 堆疊式循環(huán)網(wǎng)絡(luò) 196
6.5.2 門(mén)控制循環(huán)單元 198
6.5.3 雙向元胞 200
6.6 編碼器- 解碼器模型 200
6.7 問(wèn)答生成器 203
6.7.1 問(wèn)答數(shù)據(jù)集 . 204
6.7.2 模型架構(gòu) 205
6.7.3 推斷 210
6.7.4 模型的結(jié)果 . 212
6.8 小結(jié) . 214
第7 章作曲 215
7.1 前提知識(shí) 216
音符 216