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，...
电子书
内容简介
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，接着便通过TensorFlow实现传统的GAN，并讨论为何一定需要生成器或判别器。接下来，介绍GAN各种常见的变体，包括卷积生成对抗网络、条件生成对抗网络、循环一致性、改进生成对抗网络、渐近增强式生成对抗网络等内容。
章节目录
- 扉页
- 版权页
- 内容提要
- 推荐序
- 前言
- 第1章 优雅Python
- 1.1 Anaconda
- 1.2 Python基础
- 1.2.1 常用数据类型
- 1.2.2 流程控制
- 1.2.3 函数定义
- 1.3 Python进阶
- 1.3.1 生成式
- 1.3.2 可迭代对象与迭代器
- 1.3.3 生成器
- 1.3.4 装饰器
- 1.4 小结
- 第2章 优雅的数学
- 2.1 向量与矩阵
- 2.1.1 向量的概念
- 2.1.2 向量的基本运算
- 2.1.3 矩阵的概念
- 2.1.4 矩阵的运算
- 2.2 微积分
- 2.2.1 圆的面积
- 2.2.2 古典微积分
- 2.2.3 重建微积分
- 2.2.4 常用的公式
- 2.2.5 偏导数
- 2.2.6 方向导数
- 2.2.7 链式法则
- 2.3 概率论
- 2.3.1 随机变量
- 2.3.2 条件概率
- 2.3.3 贝叶斯定理
- 2.3.4 常见的概率分布
- 2.4 信息论
- 2.4.1 信息熵
- 2.4.2 条件熵
- 2.4.3 互信息
- 2.4.4 相对熵（KL散度）
- 2.4.5 交叉熵
- 2.5 小结
- 第3章 初识神经网络
- 3.1 什么是神经网络
- 3.1.1 神经网络的历史
- 3.1.2 神经网络的优势
- 3.2 神经网络中常见的概念
- 3.2.1 前向传播算法
- 3.2.2 损失函数
- 3.2.3 梯度下降算法
- 3.2.4 各种梯度下降算法
- 3.2.5 反向传播算法
- 3.2.6 过拟合与欠拟合
- 3.3 动手实现深度学习框架TensorPy
- 3.3.1 实现计算图
- 3.3.2 实现Session对象
- 3.3.3 实现感知器前向传播算法
- 3.3.4 实现对数损失
- 3.3.5 实现梯度下降算法与反向传播算法
- 3.3.6 实现多层感知器
- 3.4 TensorFlow简介
- 3.4.1 TensorFlow安装与介绍
- 3.4.2 TensorFlow基本概念
- 3.4.3 TensorFlow实现多层感知器
- 3.4.4 TensorBoard可视化
- 3.4.5 TensorFlow模型保存方法
- 3.5 小结
- 第4章 初识生成对抗网络
- 4.1 什么是生成对抗网络
- 4.1.1 什么是GAN
- 4.1.2 GAN使用范围
- 4.2 GAN基本原理
- 4.2.1 GAN模型详情
- 4.2.2 对抗的本质
- 4.3 TensorFlow实现朴素GAN
- 4.3.1 朴素GAN生成MNIST数据集
- 4.3.2 训练与效果展示
- 4.4 关于GAN的几个问题
- 4.4.1 为什么生成器G生成数据需要判别器D介入
- 4.4.2 为什么判别器D不自己生成数据
- 4.4.3 为什么选择GAN
- 4.5 小结
- 第5章 生成对抗网络的数学原理
- 5.1 拟合真实分布
- 5.1.1 最大似然估计
- 5.1.2 最大似然估计拟合分布
- 5.1.3 最大似然估计与KL散度的关系
- 5.2 生成对抗网络
- 5.2.1 生成器拟合分布
- 5.2.2 判别器计算分布的差异
- 5.2.3 GAN的数学推导
- 5.2.4 GAN的本质
- 5.3 统一框架F-GAN
- 5.3.1 f散度
- 5.3.2 凸共轭
- 5.3.3 f散度与GAN之间的关系
- 5.4 GAN训练过程可视化
- 5.5 小结
- 第6章 卷积生成对抗网络
- 6.1 初识卷积神经网络
- 6.1.1 什么是卷积神经网络
- 6.1.2 CNN识别图像过程
- 6.1.3 CNN核心概念
- 6.2 TensorFlow实现卷积网络
- 6.2.1 构建CNN计算图
- 6.2.2 训练CNN网络
- 6.2.3 Dropout操作
- 6.2.4 DCGAN：CNN与GAN有机结合
- 6.2.5 Batch Normalization
- 6.3 TensorFlow实现DCGAN网络
- 6.3.1 TensorFlow实现DCGAN的生成器
- 6.3.2 TensorFlow实现DCGAN的判别器
- 6.3.3 获得测试样例
- 6.3.4 构建DCGAN整体
- 6.3.5 训练DCGAN
- 6.3.6 RussellCloud使用
- 6.3.7 结果展示
- 6.4 小结
- 第7章 条件生成对抗网络
- 7.1 如何实现图像间风格转换
- 7.1.1 传统神经网络的缺陷
- 7.1.2 普通GAN的缺陷
- 7.2 条件生成对抗网络
- 7.2.1 CGAN详解
- 7.2.2 CGAN训练流程
- 7.3 ColorGAN的实现
- 7.3.1 生成器与判别器的构建
- 7.3.2 图像数据预处理
- 7.3.3 ColorGAN训练学习
- 7.3.4 ColorGAN训练结果
- 7.3.5 图像转图像的讨论
- 7.4 实现文字转图像
- 7.4.1 独热向量
- 7.4.2 fashion-mnist数据集
- 7.4.3 FashionCGAN判别器和生成器
- 7.4.4 训练FashionCGAN
- 7.5 实现句子转图像
- 7.5.1 word2vec技术
- 7.5.2 RNN、LSTM与GRU
- 7.5.3 Skip-Thought Vector
- 7.5.4 实现Skip-Thought
- 7.5.5 实现句子转图像
- 7.6 小结
- 第8章 循环一致性
- 8.1 以无监督的方式实现风格转换
- 8.2 CycleGAN
- 8.2.1 CycleGAN的架构与目标函数
- 8.2.2 CycleGAN做的改变
- 8.2.3 TensorFlow实现CycleGAN生成器与判别器
- 8.2.4 TensorFlow搭建与训练CycleGAN
- 8.2.5 效果展示
- 8.3 StarGAN
- 8.3.1 StarGAN的结构与目标函数
- 8.3.2 TensorFlow构建StarGAN模型
- 8.3.3 构建StarGAN的损失
- 8.3.4 效果展示
- 8.4 语义样式不变的图像跨域转换
- 8.4.1 Domain Transfer Network介绍
- 8.4.2 DTN代码结构
- 8.4.3 XGAN介绍
- 8.5 小结
- 第9章 改进生成对抗网络
- 9.1 传统GAN存在的问题
- 9.1.1 梯度消失
- 9.1.2 模式崩溃
- 9.2 Wasserstein GAN
- 9.2.1 EM距离
- 9.2.2 EM距离使用在GAN上
- 9.2.3 EM距离与判别器的关系
- 9.2.4 TensorFlow实现WGAN
- 9.3 Improved WGAN（WGAN-GP）
- 9.3.1 WGAN存在的问题
- 9.3.2 gradient penalty
- 9.3.3 TensorFlow实现WGAN-GP
- 9.4 SN-GAN
- 9.4.1 SN-GAN介绍
- 9.4.2 Spectral Normalization方法与SN-GAN
- 9.4.3 TensorFlow实现SN-GAN
- 9.5 小结
- 第10章 渐近增强式生成对抗网络
- 10.1 堆叠式生成对抗网络StackGAN
- 10.1.1 StackGAN-v1
- 10.1.2 棋盘效应
- 10.1.3 StackGAN-v2
- 10.1.4 TensorFlow实现StackGAN-v2
- 10.2 TensorFlow数据处理
- 10.2.1 placeholder读取数据
- 10.2.2 Queue方式读取数据
- 10.2.3 tf.data读取数据
- 10.3 渐近增长生成对抗网络PGGAN
- 10.3.1 PGGAN介绍
- 10.3.2 PGGAN的改进点
- 10.3.3 TensorFlow实现PGGAN
- 10.4 小结
- 第11章 GAN进行特征学习
- 11.1 近似推断
- 11.1.1 变分推断思想
- 11.1.2 平均场
- 11.2 InfoGAN
- 11.2.1 数据特征与互信息
- 11.2.2 InfoGAN数学原理与模型结构
- 11.2.3 TensorFlow实现InfoGAN
- 11.2.4 使用InfoGAN生成图像
- 11.3 VAE-GAN
- 11.3.1 AutoEncoder自编码器
- 11.3.2 变分自编码器
- 11.3.3 数学角度看VAE
- 11.3.4 TensorFlow实现VAE
- 11.3.5 VAE与GAN的结合体VAE-GAN
- 11.3.6 TensorFlow实现VAE-GAN
- 11.4 小结
- 第12章 GAN在NLP中的运用
- 12.1 GAN在文本生成中遇到的困境
- 12.2 GAN生成离散数据的方法
- 12.2.1 判别器直接获取生成器的输出
- 12.2.2 Gumbel-softma×
- 12.3 强化学习简述
- 12.3.1 强化学习算法
- 12.3.2 Policy Gradient
- 12.3.3 GAN+RL作用于文本生成
- 12.4 SeqGAN
- 12.4.1 SeqGAN结构与算法
- 12.4.2 Highway Network
- 12.4.3 SeqGAM生成器与rollout结构的实现
- 12.4.4 SeqGAN中目标LSTM与判别器的实现
- 12.4.5 SeqGAN中生成器与判别器预训练
- 12.4.6 SeqGAN对抗训练
- 12.5 MaskGAN
- 12.5.1 MaskGAN结构与算法
- 12.5.2 TensorFlow实现MaskGAN的生成器与判别器
- 12.5.3 TensorFlow实现MaskGAN的Actor-Critic与目标函数
- 12.5.4 TensorFlow实现MaskGAN的结构与训练逻辑
- 12.6 小结
展开全部
深入浅出GAN生成对抗网络：原理剖析与TensorFlow实践是2020年由人民邮电出版社出版,作者廖茂文 潘志宏。
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《深入浅出GAN生成对抗网络：原理剖析与TensorFlow实践》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
电子书
本书介绍了深度学习原理与TensorFlow实践。着重讲述了当前学术界和工业界的深度学习核心知识：机器学习概论、神经网络、深度学习。着重讲述了深度学习的实现以及深度学习框架Te...
电子书
本书是一本针对高校学生的绝佳TensorFlow学习教材。作者结合众多高质量的代码，生动讲解了TensorFlow的底层原理，并从实际应用问题入手，从实践的角度出发，通过具体的...
电子书
本书在介绍云计算的一些核心概念和云安全的基础知识上，重点讲述云数据的安全和云环境下隐私性的保护技术。同时结合不同厂商的云服务平台详细介绍IaaS、PaaS、SaaS三种云服务平...
电子书
本书是信息安全、网络空间安全系列教材的第一册，主要着墨于信息安全的基本原理、各类网络攻击方式与基于思科设备的防御特性、AAA(认证、授权和审计)的原理与部署、防火墙的基本原理、...
电子书
本书分为核心原理和应用实践两大部分，对软件定义网络(SDN)技术进行了全面剖析和深入解读。第一部分首先阐述了SDN的设计思想与体系架构，详细分析了软件定义网络的控制转发分离和可...