深入浅出GAN生成对抗网络：原理剖析与TensorFlow实践电子书

版权页

目录

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