本书从Python基本语法入手，逐步介绍必备的数学知识与神经网络的基本知识，并利用介绍的内容编写一个深度学习框架TensorPy。然后描述GAN涉及的思想、模型与数学原理，接着...
电子书
内容简介
本书向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。
章节目录
- 版权信息
- 版权
- 版权声明
- 内容提要
- 译者序
- 前言
- 资源与支持
- 第1章 PyTorch和神经网络
- 1.1 PyTorch入门
- 1.1.1 Google Colab
- 1.1.2 PyTorch张量
- 1.1.3 PyTorch的自动求导机制
- 1.1.4 计算图
- 1.1.5 学习要点
- 1.2 初试PyTorch神经网络
- 1.2.1 MNIST图像数据集
- 1.2.2 获取MNIST数据集
- 1.2.3 数据预览
- 1.2.4 简单的神经网络
- 1.2.5 可视化训练
- 1.2.6 MNIST数据集类
- 1.2.7 训练分类器
- 1.2.8 查询神经网络
- 1.2.9 简易分类器的性能
- 1.3 改良方法
- 1.3.1 损失函数
- 1.3.2 激活函数
- 1.3.3 改良方法
- 1.3.4 标准化
- 1.3.5 整合改良方法
- 1.3.6 学习要点
- 1.4 CUDA基础知识
- 1.4.1 numpy与Python的比较
- 1.4.2 NVIDIA CUDA
- 1.4.3 在Python中使用CUDA
- 1.4.4 学习要点
- 第2章 GAN初步
- 2.1 GAN的概念
- 2.1.1 生成图像
- 2.1.2 对抗训练
- 2.1.3 GAN的训练
- 2.1.4 训练GAN的挑战
- 2.1.5 学习要点
- 2.2 生成1010格式规律
- 2.2.1 真实数据源
- 2.2.2 构建鉴别器
- 2.2.3 测试鉴别器
- 2.2.4 构建生成器
- 2.2.5 检查生成器输出
- 2.2.6 训练GAN
- 2.2.7 学习要点
- 2.3 生成手写数字
- 2.3.1 数据类
- 2.3.2 MNIST鉴别器
- 2.3.3 测试鉴别器
- 2.3.4 MNIST生成器
- 2.3.5 检查生成器输出
- 2.3.6 训练GAN
- 2.3.7 模式崩溃
- 2.3.8 改良GAN的训练
- 2.3.9 种子实验
- 2.3.10 学习重点
- 2.4 生成人脸图像
- 2.4.1 彩色图像
- 2.4.2 CelebA图像数据集
- 2.4.3 分层数据格式
- 2.4.4 获取数据
- 2.4.5 查看数据
- 2.4.6 数据集类
- 2.4.7 鉴别器
- 2.4.8 测试鉴别器
- 2.4.9 GPU加速
- 2.4.10 生成器
- 2.4.11 检查生成器输出
- 2.4.12 训练GAN
- 2.4.13 学习要点
- 第3章 卷积GAN和条件式GAN
- 3.1 卷积GAN
- 3.1.1 内存消耗
- 3.1.2 局部化的图像特征
- 3.1.3 卷积过滤器
- 3.1.4 学习卷积核权重
- 3.1.5 特征的层次结构
- 3.1.6 MNIST CNN
- 3.1.7 CelebA CNN
- 3.1.8 自己动手试验
- 3.1.9 学习要点
- 3.2 条件式GAN
- 3.2.1 条件式GAN架构
- 3.2.2 鉴别器
- 3.2.3 生成器
- 3.2.4 训练循环
- 3.2.5 绘制图像
- 3.2.6 条件式GAN的结果
- 3.2.7 学习要点
- 3.3 结语
- 太有才了!
- 未来方向
- 负责任地使用
- 机器学习是超酷的!
- 附录A 理想的损失值
- A.1 MSE损失
- A.2 BCE损失
- 附录B GAN学习可能性
- B.1 GAN不会记忆训练数据
- B.2 简单的例子
- B.3 从一个概率分布中生成图像
- B.4 为图像特征学习像素组合
- B.5 多模式以及模式崩溃
- 附录C 卷积案例
- C.1 例1: 卷积，步长为1，无补全
- C.2 例2: 卷积，步长为2，无补全
- C.3 例3: 卷积，步长为2，有补全
- C.4 例4: 卷积，不完全覆盖
- C.5 例5: 转置卷积，步长为2，无补全
- C.6 例6: 转置卷积，步长为1，无补全
- C.7 例7: 转置卷积，步长为2，有补全
- C.8 计算输出大小
- 附录D 不稳定学习
- D.1 梯度下降是否适用于训练GAN
- D.2 简单的对抗案例
- D.3 梯度下降并不适合对抗博弈
- D.4 为什么是圆形轨迹
- 附录E 相关数据集和软件
- E.1 MNIST数据集
- E.2 CelebA数据集
- E.3 英伟达和谷歌
- E.4 开源软件
展开全部
PyTorch生成对抗网络编程是2020年由人民邮电出版社出版,作者著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《PyTorch生成对抗网络编程》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。
电子书
本书从Python基本语法入手，逐步介绍必备的数学知识与神经网络的基本知识，并利用介绍的内容编写一个深度学习框架TensorPy。然后描述GAN涉及的思想、模型与数学原理，接着...
电子书
软件定义安全由软件定义网络引申而来，实现安全由业务和应用驱动，从而实现复杂网络的安全防护，提升安全防护能力和用户安全体验。可编程对抗防御系统是F5公司提出的一种基于云端的安全服...
电子书
随着Internet技术的应用和普及，人类社会已经进入了信息化的网络时代。大多数应用程序都是运行在网络环境下，这就要求程序员能够在应用**广泛的Windows操作系统上开发网络...
电子书
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学...
电子书
本书基于IP网络与技术的宏观视角，以SRv6为主线，深入剖析网络可编程技术，涵盖网络可编程技术原理、数据面技术、控制面技术、协议扩展、硬件实现、头部压缩、应用场景及标准化等方面...
电子书
本书精选128道经典的算法和编程题目，有针对性地做出分析和解答，并给出代码解决方案。本书的主要思路，是利用计算机算法知识，以分析和解决谜题的形式，总结如何把计算机常用算法及数据...