生成對抗網絡 GAN：從理論到 PyTorch 實現
袁梅宇
- 出版商: 清華大學
- 出版日期: 2025-06-01
- 售價: $414
- 語言: 簡體中文
- 頁數: 214
- ISBN: 7302690170
- ISBN-13: 9787302690177
-
相關分類:
GAN 生成對抗網絡、DeepLearning
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
$232面向對象開發參考手冊 -
$474ATmega16 單片機 C 語言程序設計經典實例 -
$270機器人控制技術 -
$148工業機器人運動模擬編程實踐 基於 Android 和 OpenGL -
$648Introduction to Linear Algebra, 5/e -
$374面向對象程序設計 Java版 -
$286機器視覺原理與案例詳解 -
$168繼電控制線路維修 -
$505機器人控制 — 運動學、控制器設計、人機交互與應用實例 -
$352現代數字系統設計 — 基於 Intel FPGA 可編程邏輯器件與 VHDL -
$564電子元器件從入門到精通 -
零基礎入門的機器學習圖鑑：2大類機器學習 X 17種演算法 X Python 基礎教學，讓你輕鬆學以致用$450$405 -
$203PLC 從基礎到實踐 -
$354開放式 IEC 61131 控制系統設計 -
$407OpenCV 圖像處理入門與實踐 -
$250C++ 開發案例精講 -
Python OpenCV 從菜鳥到高手$534$507
商品描述
"《生成對抗網絡GAN：從理論到PyTorch實現》系統地講解了生成對抗網絡(GAN)的基本原理以及PyTorch編程技術，內容較全面，可操作性強，將理論與實踐相結合。讀者通過理論學習和編程實踐操作，可了解並掌握生成對抗網絡的基本原理和PyTorch編程技能，拉近理論與實踐的距離。 《生成對抗網絡GAN：從理論到PyTorch實現》共分8章，主要內容包括生成對抗網絡介紹、簡單全連接GAN、深度卷積GAN、Wasserstein GAN、條件GAN、StyleGAN、Pix2Pix、CycleGAN，涵蓋了豐富多彩的生成對抗網絡的原理和示例。此外，本書源碼已全部在Python 3.10.9 + PyTorch 1.13.1 + CUDA 11.6版本上調試成功。 《生成對抗網絡GAN：從理論到PyTorch實現》適合生成對抗網絡愛好者和PyTorch編程人員作為入門和提高的技術參考書，也適合用作計算機專業高年級本科生和研究生的教材或教學參考書。 "
目錄大綱
第1章 生成對抗網絡介紹 1
1.1 生成對抗網絡與PyTorch簡介 2
1.1.1 生成對抗網絡介紹 2
1.1.2 PyTorch介紹 5
1.2 判別模型與生成模型 6
1.3 GAN架構介紹 7
1.3.1 判別器 7
1.3.2 生成器 9
1.3.3 損失函數 11
1.3.4 GAN完整架構 13
1.4 常用數據集 15
1.4.1 MNIST數據集 15
1.4.2 Fashion-MNIST數據集 17
1.4.3 CIFAR-10數據集 18
1.4.4 CelebA數據集 21
1.4.5 Pix2Pix數據集 22
1.4.6 CycleGAN數據集 24
習題 27
第2章 簡單全連接GAN 29
2.1 生成1001模式的GAN 30
2.1.1 1001模式GAN架構 30
2.1.2 數據源 30
2.1.3 判別器網絡實現 31
2.1.4 生成器網絡實現 34
2.1.5 訓練GAN 35
2.2 生成MNIST數據的GAN 39
2.2.1 數據集 39
2.2.2 MNIST判別器 40
2.2.3 MNIST生成器 40
2.2.4 訓練GAN 41
2.2.5 模式崩潰初探 46
習題 47
第3章 深度卷積GAN 49
3.1 DCGAN簡介 50
3.1.1 DCGAN網絡結構 50
3.1.2 卷積 52
3.1.3 反卷積 60
3.1.4 批規範化 61
3.2 DCGAN實現 63
3.2.1 加載Celeb-A數據集 63
3.2.2 生成器網絡實現 65
3.2.3 判別器網絡實現 66
3.2.4 DCGAN訓練 67
3.2.5 運行結果展示 70
習題 74
第4章 Wasserstein GAN 75
4.1 WGAN介紹 76
4.2 WGAN基礎 78
4.2.1 原始GAN的問題 78
4.2.2 Wasserstein損失 79
4.2.3 1-Lipschitz連續性限制 81
4.2.4 兩種1-L連續性限制 81
4.2.5 WGAN和WGAN-GP算法 84
4.3 WGAN實現 85
4.3.1 判別器實現 86
4.3.2 生成器實現 87
4.3.3 WGAN訓練 88
4.3.4 WGAN結果 90
4.4 WGAN-GP實現 91
4.4.1 判別器實現 91
4.4.2 生成器實現 92
4.4.3 損失函數實現 93
4.4.4 WGAN-GP訓練 94
4.4.5 WGAN-GP結果 96
習題 97
第5章 條件GAN 99
5.1 條件GAN介紹 100
5.1.1 條件生成 100
5.1.2 可控生成 102
5.1.3 Z空間的向量運算 104
5.1.4 類別梯度上升 106
5.1.5 解耦合 107
5.2 cGAN實現 108
5.2.1 判別器網絡 108
5.2.2 生成器網絡 109
5.2.3 cGAN訓練 111
5.2.4 cGAN結果 114
5.3 可控生成實現 115
5.3.1 定義超參數 115
5.3.2 輔助函數 116
5.3.3 判別器網絡 117
5.3.4 生成器網絡 118
5.3.5 網絡訓練 120
5.3.6 可控生成結果 121
習題 123
第6章 StyleGAN 125
6.1 StyleGAN介紹 126
6.2 StyleGAN架構 128
6.2.1 StyleGAN生成器結構 128
6.2.2 漸進式增長 129
6.2.3 噪聲映射網絡 131
6.2.4 樣式模塊AdaIN 134
6.2.5 樣式混合和隨機噪聲 136
6.3 StyleGAN實現 139
6.3.1 加載數據集 139
6.3.2 網絡層實現 140
6.3.3 判別器 144
6.3.4 生成器 146
6.3.5 模型訓練 149
6.3.6 運行結果展示 152
習題 155
第7章 Pix2Pix 157
7.1 匹配圖像轉換 158
7.2 Pix2Pix基本原理 159
7.2.1 Pix2Pix的概念 160
7.2.2 PatchGAN 162
7.2.3 U-Net 163
7.2.4 損失函數 165
7.2.5 Pix2Pix完整框架 167
7.3 Pix2Pix編程實現 169
7.3.1 加載數據集 169
7.3.2 判別器 171
7.3.3 生成器 173
7.3.4 Pix2Pix訓練 179
7.3.5 運行結果展示 181
習題 184
第8章 CycleGAN 185
8.1 非匹配圖像轉換 186
8.2 CycleGAN基本原理 188
8.2.1 CycleGAN面臨的問題 188
8.2.2 兩個GAN 189
8.2.3 CycleGAN損失函數 191
8.2.4 CycleGAN完整框架 195
8.3 CycleGAN編程實現 197
8.3.1 加載數據集 197
8.3.2 判別器 199
8.3.3 生成器 201
8.3.4 CycleGAN訓練 209
8.3.5 運行結果展示 213
習題 214
參考文獻 215
