生成深度學習｜訓練機器繪畫、寫作、作曲與玩遊戲, 2/e (Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play, 2/e)

David Foster 是Applied Data Science公司的共同創辦人之一，也是一位提供客戶各種解決方案的資料科學顧問。擁有英國劍橋大學三一學院的數學碩士學位，以及英國華威商學院的作業研究碩士學位。

【第一篇 認識生成深度學習】
chapter 1　生成建模
　什麼是生成建模？
　chapter一個生成式模型
　核心機率理論
　生成模型分類
　生成深度學習程式庫
chapter 2　深度學習
　深度學習的資料
　深度神經網路
　多層感知器（MLP）
　卷積神經網路（CNN）

【第二篇 方法】
chapter 3　變分自動編碼器
　簡介
　自動編碼器
　變分自動編碼器
　探索潛在空間
chapter 4　生成對抗網路
　簡介
　深度卷積生成對抗網路（DCGAN）
　具梯度懲罰的 Wasserstein GAN（WGAN-GP）
　條件生成對抗網路（CGAN）
chapter 5　自迴歸模型
　簡介
　長短期記憶網路（LSTM）
　遞歸神經網路（RNN）的延伸
　PixelCNN
chapter 6　正規化流模型
　簡介
　正規化流
　RealNVP
　其他正規化流模型
chapter 7　能量模型
　簡介
　能量模型
　總結
chapter 8　擴散模型
　簡介
　降噪擴散模型（DDM）
　總結

【第三篇 應用】
chapter 9　Transformer
　簡介
　GPT
　其他 Transformer 模型
　總結
chapter 10　進階 GAN
　簡介
　ProGAN
　StyleGAN
　StyleGAN2
　其他重要的 GAN
chapter 11　音樂生成
　簡介
　音樂生成的 Transformer 模型
　MuseGAN
　總結
chapter 12　世界模型
　簡介
　強化學習
　世界模型概述
　收集隨機推演資料
　訓練 VAE
　收集資料以訓練 MDN-RNN
　訓練 MDN-RNN
　訓練控制器
　夢境訓練
chapter 13　多模態模型
　簡介
　DALL.E 2
　Imagen
　Stable Diffusion
　Flamingo
chapter 14　結語
　生成式 AI 的時間軸
　生成式 AI 的現狀
　生成式 AI 的未來
　最終想法
索引