内容简介
本书主要介绍构建和训练生成对抗网络(GAN)的方法。全书共12章，先介绍生成模型以及GAN的工作原理，并概述它们的潜在用途，然后探索GAN的基础结构(生成器和鉴别器)，引导读者搭建一个简单的对抗系统。
展开全文
- 版权信息
- 版 权
- 版权声明
- 内容提要
- 序
- 致谢
- 前 言
- 作者简介
- 关于封面
- 资源与支持
- 第一部分 生成对抗网络（GAN）与生成模型导论
- 第1章 GAN简介
- 1.1 什么是GAN
- 1.2 GAN是如何工作的
- 1.3 GAN实战
- 1.3.1 GAN的训练
- 1.3.2 达到平衡
- 1.4 为什么要学GAN
- 1.5 小结
- 第2章 自编码器生成模型入门
- 2.1 生成模型简介
- 2.2 自编码器如何用于高级场景
- 2.3 什么是GAN的自编码器
- 2.4 自编码器的构成
- 2.5 自编码器的使用
- 2.6 无监督学习
- 2.6.1 吐故纳新
- 2.6.2 使用自编码器生成
- 2.6.3 变分自编码器
- 2.7 代码就是生命
- 2.8 为什么要尝试使用GAN
- 2.9 小结
- 第3章 你的第一个GAN模型：生成手写数字
- 3.1 GAN的基础：对抗训练
- 3.1.1 代价函数
- 3.1.2 训练过程
- 3.2 生成器和鉴别器
- 3.2.1 对抗的目标
- 3.2.2 混淆矩阵
- 3.3 GAN训练算法
- 3.4 教程：生成手写数字
- 3.4.1 导入模块并指定模型输入维度
- 3.4.2 构造生成器
- 3.4.3 构造鉴别器
- 3.4.4 搭建整个模型
- 3.4.5 训练
- 3.4.6 输出样本图像
- 3.4.7 运行模型
- 3.4.8 检查结果
- 3.5 结论
- 3.6 小结
- 第4章 深度卷积生成对抗网络（DCGAN）
- 4.1 卷积神经网络
- 4.1.1 卷积滤波器
- 4.1.2 参数共享
- 4.1.3 卷积神经网络可视化
- 4.2 DCGAN简史
- 4.3 批归一化
- 4.3.1 理解归一化
- 4.3.2 计算批归一化
- 4.4 教程：用DCGAN生成手写数字
- 4.4.1 导入模块并指定模型输入维度
- 4.4.2 构造生成器
- 4.4.3 构造鉴别器
- 4.4.4 构建并运行DCGAN
- 4.4.5 模型输出
- 4.5 结论
- 4.6 小结
- 第二部分 GAN的前沿主题
- 第5章 训练与普遍挑战：为成功而GAN
- 5.1 评估
- 5.1.1 评估框架
- 5.1.2 IS
- 5.1.3 FID
- 5.2 训练中的挑战
- 5.2.1 增加网络深度
- 5.2.2 游戏设置
- 5.2.3 最小-最大GAN
- 5.2.4 非饱和GAN
- 5.2.5 何时停止训练
- 5.2.6 WGAN
- 5.3 总结游戏设置
- 5.4 训练技巧
- 5.4.1 输入的归一化
- 5.4.2 批归一化
- 5.4.3 梯度惩罚
- 5.4.4 对鉴别器进行更多的训练
- 5.4.5 避免稀疏梯度
- 5.4.6 平滑和带噪声的标签
- 5.5 小结
- 第6章 渐进式增长生成对抗网络（PGGAN）
- 6.1 潜在空间插值
- 6.2 它们发展如此之快
- 6.2.1 高分辨率层的渐进增长和平滑
- 6.2.2 示例实现
- 6.2.3 小批量标准偏差
- 6.2.4 均衡学习率
- 6.2.5 生成器中的像素级特征归一化
- 6.3 主要创新点总结
- 6.4 TensorFlow Hub库及其实践
- 6.5 PGGAN的实际应用
- 6.6 小结
- 第7章 半监督生成对抗网络（SGAN）
- 7.1 SGAN简介
- 7.1.1 什么是SGAN
- 7.1.2 结构
- 7.1.3 训练过程
- 7.1.4 训练目标
- 7.2 教程：SGAN的实现
- 7.2.1 架构图
- 7.2.2 实现
- 7.2.3 设置
- 7.2.4 数据集
- 7.2.5 生成器
- 7.2.6 鉴别器
- 7.2.7 搭建整个模型
- 7.2.8 训练
- 7.3 与全监督分类器的对比
- 7.4 结论
- 7.5 小结
- 第8章 条件生成对抗网络（CGAN）
- 8.1 动机
- 8.2 什么是CGAN
- 8.2.1 CGAN的生成器
- 8.2.2 CGAN的鉴别器
- 8.2.3 汇总表
- 8.2.4 架构图
- 8.3 教程：CGAN的实现
- 8.3.1 实现
- 8.3.2 设置
- 8.3.3 CGAN的生成器
- 8.3.4 CGAN的鉴别器
- 8.3.5 搭建整个模型
- 8.3.6 训练
- 8.3.7 输出样本图像
- 8.3.8 训练模型
- 8.3.9 检查输出：生成目标数据
- 8.4 结论
- 8.5 小结
- 第9章 循环一致性生成对抗网络（CycleGAN）
- 9.1 图像到图像的转换
- 9.2 循环一致性损失：再GAN一次
- 9.3 对抗损失
- 9.4 恒等损失
- 9.5 架构
- 9.5.1 CycleGAN架构：构建网络
- 9.5.2 生成器架构
- 9.5.3 鉴别器架构
- 9.6 GAN的面向对象设计
- 9.7 教程：CycleGAN
- 9.7.1 构建网络
- 9.7.2 构建生成器
- 9.7.3 构建鉴别器
- 9.7.4 训练CycleGAN
- 9.7.5 运行CycleGAN
- 9.8 扩展、增强和应用
- 9.8.1 增强CycleGAN
- 9.8.2 应用
- 9.9 小结
- 第三部分 何去何从
- 第10章 对抗样本
- 10.1 对抗样本的背景
- 10.2 谎言，该死的谎言及分布
- 10.3 训练的使用与滥用
- 10.4 信号与噪声
- 10.5 柳暗花明又一村
- 10.6 GAN的对手
- 10.7 结论
- 10.8 小结
- 第11章 GAN的实际应用
- 11.1 医学领域的GAN
- 11.1.1 利用GAN提高诊断准确率
- 11.1.2 方法
- 11.1.3 结果
- 11.2 时尚领域的GAN
- 11.2.1 利用GAN设计服装
- 11.2.2 方法
- 11.2.3 创造新单品以符合个人偏好
- 11.2.4 修改现有单品以更符合个人偏好
- 11.3 结论
- 11.4 小结
- 第12章 展望未来
- 12.1 伦理问题
- 12.2 GAN的创新
- 12.2.1 相对生成对抗网络（RGAN）
- 12.2.2 自注意力生成对抗网络（SAGAN）
- 12.2.3 BigGAN
- 12.3 拓展阅读
- 12.4 回顾与总结
- 12.5 小结
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2021
作者：著
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《GAN实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2021
作者：著
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《GAN实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
GAN实战
免费读 (VIP)