PyTorch生成对抗网络编程电子书

版权

版权声明

内容提要

译者序

前言

资源与支持

第1章 PyTorch和神经网络

1.1 PyTorch入门

1.1.1 Google Colab

1.1.2 PyTorch张量

1.1.3 PyTorch的自动求导机制

1.1.4 计算图

1.1.5 学习要点

1.2 初试PyTorch神经网络

1.2.1 MNIST图像数据集

1.2.2 获取MNIST数据集

1.2.3 数据预览

1.2.4 简单的神经网络

1.2.5 可视化训练

1.2.6 MNIST数据集类

1.2.7 训练分类器

1.2.8 查询神经网络

1.2.9 简易分类器的性能

1.3 改良方法

1.3.1 损失函数

1.3.2 激活函数

1.3.3 改良方法

1.3.4 标准化

1.3.5 整合改良方法

1.3.6 学习要点

1.4 CUDA基础知识

1.4.1 numpy与Python的比较

1.4.2 NVIDIA CUDA

1.4.3 在Python中使用CUDA

1.4.4 学习要点

第2章 GAN初步

2.1 GAN的概念

2.1.1 生成图像

2.1.2 对抗训练

2.1.3 GAN的训练

2.1.4 训练GAN的挑战

2.1.5 学习要点

2.2 生成1010格式规律

2.2.1 真实数据源

2.2.2 构建鉴别器

2.2.3 测试鉴别器

2.2.4 构建生成器

2.2.5 检查生成器输出

2.2.6 训练GAN

2.2.7 学习要点

2.3 生成手写数字

2.3.1 数据类

2.3.2 MNIST鉴别器

2.3.3 测试鉴别器

2.3.4 MNIST生成器

2.3.5 检查生成器输出

2.3.6 训练GAN

2.3.7 模式崩溃

2.3.8 改良GAN的训练

2.3.9 种子实验

2.3.10 学习重点

2.4 生成人脸图像

2.4.1 彩色图像

2.4.2 CelebA图像数据集

2.4.3 分层数据格式

2.4.4 获取数据

2.4.5 查看数据

2.4.6 数据集类

2.4.7 鉴别器

2.4.8 测试鉴别器

2.4.9 GPU加速

2.4.10 生成器

2.4.11 检查生成器输出

2.4.12 训练GAN

2.4.13 学习要点

第3章 卷积GAN和条件式GAN

3.1 卷积GAN

3.1.1 内存消耗

3.1.2 局部化的图像特征

3.1.3 卷积过滤器

3.1.4 学习卷积核权重

3.1.5 特征的层次结构

3.1.6 MNIST CNN

3.1.7 CelebA CNN

3.1.8 自己动手试验

3.1.9 学习要点

3.2 条件式GAN

3.2.1 条件式GAN架构

3.2.2 鉴别器

3.2.3 生成器

3.2.4 训练循环

3.2.5 绘制图像

3.2.6 条件式GAN的结果

3.2.7 学习要点

3.3 结语

太有才了!

未来方向

负责任地使用

机器学习是超酷的!

附录A 理想的损失值

A.1 MSE损失

A.2 BCE损失

附录B GAN学习可能性

B.1 GAN不会记忆训练数据

B.2 简单的例子

B.3 从一个概率分布中生成图像

B.4 为图像特征学习像素组合

B.5 多模式以及模式崩溃

附录C 卷积案例

C.1 例1: 卷积，步长为1，无补全

C.2 例2: 卷积，步长为2，无补全

C.3 例3: 卷积，步长为2，有补全

C.4 例4: 卷积，不完全覆盖

C.5 例5: 转置卷积，步长为2，无补全

C.6 例6: 转置卷积，步长为1，无补全

C.7 例7: 转置卷积，步长为2，有补全

C.8 计算输出大小

附录D 不稳定学习

D.1 梯度下降是否适用于训练GAN

D.2 简单的对抗案例

D.3 梯度下降并不适合对抗博弈

D.4 为什么是圆形轨迹

附录E 相关数据集和软件

E.1 MNIST数据集

E.2 CelebA数据集

E.3 英伟达和谷歌

E.4 开源软件