生成對抗網絡入門指南 (Generative adversarial Networks)

史丹青

生成對抗網絡入門指南 (Generative adversarial Networks)

買這商品的人也買了...

相關主題

商品描述

生成對抗網絡（GAN）是當下熱門的人工智能技術之一，被美國《麻省理工科技評論》評為2018年“全球十大突破性技術”。本書是一本結合基礎理論與工程實踐的入門書籍，深入淺出地講解了GAN的各類模型以及技術發展。全書共10章，前半部分介紹目前已經較為成熟的模型，如DCGAN、WGAN等，以及大量不同結構的GAN變種；後半部分介紹GAN在文本到圖像的生成、圖像到圖像的生成以及其他應用中的研究與發展。本書適合機器學習領域從業人員、高校相關專業學生以及具備一定基礎的人工智能愛好者閱讀。

作者簡介

史丹青, 語憶科技聯合創始人兼技術負責人，畢業於同濟大學電子信息工程系。擁有多年時間的AI領域創業與實戰經驗，具備深度學習、自然語言處理以及數據可視化等相關知識與技能。是AI技術的愛好者，並擁抱一切新興科技，始終堅信技術分享和開源精神的力量。

目錄大綱

前言
第1章人工智能入門1 
1.1人工智能的歷史與發展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新時代的人工智能7 
1.2機器學習與深度學習10 
1.2.1機器學習分類11 
1.2.2神經網絡與深度學習12 
1.2.3深度學習的應用13 
1.3了解生成對抗網絡15 
1.3.1從機器感知到機器創造15 
1.3.2什麼是生成對抗網絡19 
1.4本章小結20 
第2章預備知識與開發工具21 
2.1 Python語言與開發框架21 
2.1.1 Python語言21 
2.1.2常用工具簡介23 
2.1.3第三方框架簡介26 
2.2 TensorFlow基礎入門27 
2.2.1 TensorFlow簡介與安裝27 
2.2.2 TensorFlow使用入門30 
2.2.3 Tensorflow實例：圖像分類31 
2.3 Keras基礎入門33 
2.3.1 Keras簡介與安裝33 
2.3.2 Keras使用入門34
2.3.3 Keras實例：文本情感分析36 
2.4 Floyd：使用深度學習雲平台運行程序38 
2.4.1深度學習雲平台簡介38 
2.4.2 Floyd使用入門39 
2.4.3 Floyd實例：神經網絡風格轉換43 
2.5本章小結45 
第3章理解生成對抗網絡46 
3.1生成模型46 
3.1.1生成模型簡介46 
3.1.2自動編碼器47 
3.1.3變分自動編碼器50 
3.2 GAN的數學原理52 
3.2.1最大似然估計52 
3.2.2生成對抗網絡的數學推導55 
3.3 GAN的可視化理解58 
3.4 GAN的工程實踐59 
3.5本章小結67 
第4章深度卷積生成對抗網絡68 
4.1 DCGAN的框架68 
4.1.1 DCGAN設計規則68 
4.1 .2 DCGAN框架結構72 
4.2 DCGAN的工程實踐73 
4.3 DCGAN的實驗性應用79 
4.3.1生成圖像的變換79 
4.3.2生成圖像的算術運算81 
4.3.3殘缺圖像的補全83 
4.4本章小結85
第5章Wasserstein GAN 86 
5.1 GAN的優化問題86 
5.2 WGAN的理論研究89 
5.3 WGAN的工程實踐92 
5.4 WGAN的實驗效果分析96 
5.4.1代價函數與生成質量的相關性96 
5.4.2生成網絡的穩定性97 
5.4.3模式崩潰問題99 
5.5 WGAN的改進方案：WGAN-GP 100 
5.6本章小結104 
第6章不同結構的GAN 105 
6.1 GAN與監督式學習105 
6.1.1條件式生成：cGAN 105 
6.1.2 cGAN在圖像上的應用106 
6.2 GAN與半監督式學習110 
6.2.1半監督式生成：SGAN 110 
6.2.2輔助分類生成：ACGAN 112 
6.3 GAN與無監督式學習113 
6.3.1無監督式學習與可解釋型特徵113 
6.3.2理解InfoGAN 115 
6.4本章小結119 
第7章文本到圖像的生成120 
7.1文本條件式生成對抗網絡120 
7.2文本生成圖像進階：GAWWN 123 
7.3文本到高質量圖像的生成127 
7.3.1層級式圖像生成：StackGAN 128
7.3.2層級式圖像生成的優化：StackGAN-v2 132 
7.4本章小結135 
第8章圖像到圖像的生成136 
8.1可交互圖像轉換：iGAN 136 
8.1.1可交互圖像轉換的用途136 
8.1.2 iGAN的實現方法138 
8.1.3 iGAN軟件簡介與使用方法140 
8.2匹配數據圖像轉換：Pix2Pix 143 
8.2.1理解匹配數據的圖像轉換143 
8.2.2 Pix2Pix的理論基礎145 
8.2.3 Pix2Pix的應用實踐150 
8.3非匹配數據圖像轉換：CycleGAN 157 
8.3.1理解非匹配數據的圖像轉換157 
8.3.2 CycleGAN的理論基礎160 
8.3.3 CycleGAN的應用實踐162 
8.4多領域圖像轉換：StarGAN 166 
8.4.1多領域的圖像轉換問題166 
8.4.2 StarGAN的理論基礎169 
8.4.3 StarGAN的應用實踐171 
8.5本章小結177 
第9章GAN的應用：從多媒體到藝術設計178 
9.1 GAN在多媒體領域的應用178 
9.1.1圖像去模糊178 
9.1 .2人臉生成181
9.1.3音頻合成184 
9.2 GAN與AI藝術188 
9.2.1 AI能否創造藝術188 
9.2.2 AI與計算機藝術的發展190 
9.2.3藝術生成網絡：從藝術模仿到創意生成196 
9.3 GAN與AI設計202 
9.3.1 AI時代的設計202 
9.3.2 AI輔助式設計的研究205 
9.4本章小結212 
第10章GAN研究熱點213 
10.1評估與優化213 
10.2對抗攻擊216 
10.3發展中的GAN 219 
參考文獻222

類似商品