生成對(duì)抗網(wǎng)絡(luò)入門指南（第2版）

第 1 章 人工智能入門 1
1.1 人工智能的歷史以及發(fā)展 1
1.1.1 人工智能的誕生 3
1.1.2 人工智能的兩起兩落 6
1.1.3 新時(shí)代的人工智能 8
1.2 機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 10
1.2.1 機(jī)器學(xué)習(xí)分類 11
1.2.2 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 12
1.2.3 深度學(xué)習(xí)的應(yīng)用 13
1.3 了解生成對(duì)抗網(wǎng)絡(luò) 15
1.3.1 從機(jī)器感知到機(jī)器創(chuàng)造 15
1.3.2 什么是生成對(duì)抗網(wǎng)絡(luò) 18
1.4 本章小結(jié) 20
第 2 章 預(yù)備知識(shí)與開發(fā)工具 21
2.1 Python 語言與開發(fā)框架 21
2.1.1 Python 語言 21
2.1.2 常用工具簡(jiǎn)介 23
2.1.3 第三方框架簡(jiǎn)介 26
2.2 TensorFlow 基礎(chǔ)入門 27
2.2.1 TensorFlow 簡(jiǎn)介與安裝 27
2.2.2 TensorFlow 實(shí)例：圖像分類 30
2.3 Keras 基礎(chǔ)入門 32
2.3.1 Keras 簡(jiǎn)介與安裝 32
2.3.2 Keras 使用入門 34
2.3.3 Keras 實(shí)例：文本情感分析 37
2.4 本章小結(jié) 39
第 3 章 理解生成對(duì)抗網(wǎng)絡(luò) 40
3.1 生成模型 40
3.1.1 生成模型簡(jiǎn)介 40
3.1.2 自動(dòng)編碼器 42
3.1.3 變分自動(dòng)編碼器 44
3.2 GAN 的數(shù)學(xué)原理 47
3.2.1 似然估計(jì) 47
3.2.2 GAN 的數(shù)學(xué)推導(dǎo) 50
3.3 GAN 的可視化理解 54
3.4 GAN 的工程實(shí)踐 55
3.5 本章小結(jié) 63
第 4 章 深度卷積生成對(duì)抗網(wǎng)絡(luò) 64
4.1 DCGAN 的框架 64
4.1.1 DCGAN 設(shè)計(jì)規(guī)則 64
4.1.2 DCGAN 框架結(jié)構(gòu) 68
4.2 DCGAN 的工程實(shí)踐 69
4.3 DCGAN 的實(shí)驗(yàn)性應(yīng)用 77
4.3.1 生成圖像的變換 77
4.3.2 生成圖像的算術(shù)運(yùn)算 79
4.3.3 殘缺圖像的補(bǔ)全 81
4.4 本章小結(jié) 83
第 5 章 Wasserstein GAN 84
5.1 GAN 的優(yōu)化問題 84
5.2 WGAN 的理論研究 88
5.3 WGAN 的工程實(shí)踐 91
5.4 WGAN 的實(shí)驗(yàn)效果分析 95
5.4.1 代價(jià)函數(shù)與生成質(zhì)量的相關(guān)性 95
5.4.2 生成網(wǎng)絡(luò)的穩(wěn)定性 96
5.4.3 模式崩潰問題 99
5.5 WGAN 的改進(jìn)方案：WGAN-GP 99
5.6 本章小結(jié) 103
第 6 章 不同結(jié)構(gòu)的 GAN 104
6.1 GAN 與監(jiān)督式學(xué)習(xí) 104
6.1.1 條件式生成：cGAN 104
6.1.2 cGAN 在圖像上的應(yīng)用 106
6.2 GAN 與半監(jiān)督式學(xué)習(xí) 109
6.2.1 半監(jiān)督式生成：SGAN 109
6.2.2 輔助分類生成：ACGAN 111
6.3 GAN 與無監(jiān)督式學(xué)習(xí) 112
6.3.1 無監(jiān)督式學(xué)習(xí)與可解釋型特征 112
6.3.2 理解 InfoGAN 114
6.4 本章小結(jié) 119
第 7 章 文本到圖像的生成 120
7.1 文本條件式生成對(duì)抗網(wǎng)絡(luò) 120
7.2 文本生成圖像進(jìn)階：GAWWN 124
7.3 文本到高質(zhì)量圖像的生成 127
7.3.1 層級(jí)式圖像生成：StackGAN 128
7.3.2 層級(jí)式圖像生成的優(yōu)化：StackGAN-v2 133
7.4 本章小結(jié) 135
第 8 章 圖像到圖像的生成 136
8.1 可交互圖像轉(zhuǎn)換：iGAN 136
8.1.1 可交互圖像轉(zhuǎn)換的用途 136
8.1.2 iGAN 的實(shí)現(xiàn)方法 138
8.1.3 iGAN 軟件簡(jiǎn)介與使用方法 141
8.2 匹配數(shù)據(jù)圖像轉(zhuǎn)換：Pix2Pix 144
8.2.1 理解匹配數(shù)據(jù)的圖像轉(zhuǎn)換 144
8.2.2 Pix2Pix 的理論基礎(chǔ) 146
8.2.3 Pix2Pix 的應(yīng)用實(shí)踐 150
8.3 非匹配數(shù)據(jù)圖像轉(zhuǎn)換：CycleGAN 157
8.3.1 理解非匹配數(shù)據(jù)的圖像轉(zhuǎn)換 157
8.3.2 CycleGAN 的理論基礎(chǔ) 162
8.3.3 CycleGAN 的應(yīng)用實(shí)踐 165
8.4 多領(lǐng)域圖像轉(zhuǎn)換：StarGAN 171
8.4.1 多領(lǐng)域的圖像轉(zhuǎn)換問題 171
8.4.2 StarGAN 的理論基礎(chǔ) 174
8.4.3 StarGAN 的應(yīng)用實(shí)踐 177
8.5 本章小結(jié) 182
第 9 章 序列數(shù)據(jù)的生成 183
9.1 序列生成的問題 183
9.2 GAN 的序列生成方法 184
9.3 自然語言生成 187
9.4 本章小結(jié) 191
第 10 章 GAN 與強(qiáng)化學(xué)習(xí)及逆向強(qiáng)化學(xué)習(xí) 192
10.1 GAN 與強(qiáng)化學(xué)習(xí) 192
10.1.1 強(qiáng)化學(xué)習(xí)基礎(chǔ) 192
10.1.2 Actor-Critic 195
10.1.3 GAN 與強(qiáng)化學(xué)習(xí)的關(guān)聯(lián) 196
10.2 GAN 與逆向強(qiáng)化學(xué)習(xí) 197
10.2.1 逆向強(qiáng)化學(xué)習(xí)基礎(chǔ) 197
10.2.2 經(jīng)典 IRL 算法 198
10.2.3 GAN 的模仿學(xué)習(xí)：GAIL 200
10.3 本章小結(jié) 201
第 11 章 新一代 GAN 202
11.1 GAN 的評(píng)估方法 202
11.2 GAN 的進(jìn)化 205
11.2.1 SNGAN 與 SAGAN 205
11.2.2 BigGAN 206
11.2.3 StyleGAN 208
11.3 本章小結(jié) 210
第 12 章 GAN 的應(yīng)用與發(fā)展 211
12.1 多媒體領(lǐng)域的應(yīng)用 211
12.1.1 圖像處理 211
12.1.2 音頻合成 218
12.2 藝術(shù)領(lǐng)域的應(yīng)用 221
12.2.1 AI 能否創(chuàng)造藝術(shù) 221
12.2.2 AI 與計(jì)算機(jī)藝術(shù)的發(fā)展 223
12.2.3 藝術(shù)生成網(wǎng)絡(luò)：從藝術(shù)模仿到創(chuàng)意生成 231
12.3 設(shè)計(jì)領(lǐng)域的應(yīng)用 238
12.3.1 AI 時(shí)代的設(shè)計(jì) 238
12.3.2 AI 輔助式設(shè)計(jì)的研究 240
12.4 安全領(lǐng)域的應(yīng)用 249
12.5 本章小結(jié) 252
參考文獻(xiàn) 253