1.“深度学习系统的一大步”——GAN，在图像生成和数据增强领域有出色表现； 2.以Python语言实现，很强的实战性，涵盖构建、训练、优化全过程； 3.英国创企孵化器Founders Factory计算机视觉领域的联合创始人Jakub Langr与美国纽约一家初创公司的高级产品经理Vladimir Bok合力写就； 4. 获Simeon Leyzerzon、Dana Robinson、Grigory V. Sapunov、Bachir Chihani等人联袂推荐； 5.提供本书示例代码。
售 价：¥
纸质售价：¥46.30购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版 权
版权声明
内容提要
致谢
前 言
作者简介
关于封面
资源与支持
第一部分 生成对抗网络（GAN）与生成模型导论
第1章 GAN简介
1.1 什么是GAN
1.2 GAN是如何工作的
1.3 GAN实战
1.3.1 GAN的训练
1.3.2 达到平衡
1.4 为什么要学GAN
1.5 小结
第2章 自编码器生成模型入门
2.1 生成模型简介
2.2 自编码器如何用于高级场景
2.3 什么是GAN的自编码器
2.4 自编码器的构成
2.5 自编码器的使用
2.6 无监督学习
2.6.1 吐故纳新
2.6.2 使用自编码器生成
2.6.3 变分自编码器
2.7 代码就是生命
2.8 为什么要尝试使用GAN
2.9 小结
第3章 你的第一个GAN模型：生成手写数字
3.1 GAN的基础：对抗训练
3.1.1 代价函数
3.1.2 训练过程
3.2 生成器和鉴别器
3.2.1 对抗的目标
3.2.2 混淆矩阵
3.3 GAN训练算法
3.4 教程：生成手写数字
3.4.1 导入模块并指定模型输入维度
3.4.2 构造生成器
3.4.3 构造鉴别器
3.4.4 搭建整个模型
3.4.5 训练
3.4.6 输出样本图像
3.4.7 运行模型
3.4.8 检查结果
3.5 结论
3.6 小结
第4章 深度卷积生成对抗网络（DCGAN）
4.1 卷积神经网络
4.1.1 卷积滤波器
4.1.2 参数共享
4.1.3 卷积神经网络可视化
4.2 DCGAN简史
4.3 批归一化
4.3.1 理解归一化
4.3.2 计算批归一化
4.4 教程：用DCGAN生成手写数字
4.4.1 导入模块并指定模型输入维度
4.4.2 构造生成器
4.4.3 构造鉴别器
4.4.4 构建并运行DCGAN
4.4.5 模型输出
4.5 结论
4.6 小结
第二部分 GAN的前沿主题
第5章 训练与普遍挑战：为成功而GAN
5.1 评估
5.1.1 评估框架
5.1.2 IS
5.1.3 FID
5.2 训练中的挑战
5.2.1 增加网络深度
5.2.2 游戏设置
5.2.3 最小-最大GAN
5.2.4 非饱和GAN
5.2.5 何时停止训练
5.2.6 WGAN
5.3 总结游戏设置
5.4 训练技巧
5.4.1 输入的归一化
5.4.2 批归一化
5.4.3 梯度惩罚
5.4.4 对鉴别器进行更多的训练
5.4.5 避免稀疏梯度
5.4.6 平滑和带噪声的标签
5.5 小结
第6章 渐进式增长生成对抗网络（PGGAN）
6.1 潜在空间插值
6.2 它们发展如此之快
6.2.1 高分辨率层的渐进增长和平滑
6.2.2 示例实现
6.2.3 小批量标准偏差
6.2.4 均衡学习率
6.2.5 生成器中的像素级特征归一化
6.3 主要创新点总结
6.4 TensorFlow Hub库及其实践
6.5 PGGAN的实际应用
6.6 小结
第7章 半监督生成对抗网络（SGAN）
7.1 SGAN简介
7.1.1 什么是SGAN
7.1.2 结构
7.1.3 训练过程
7.1.4 训练目标
7.2 教程：SGAN的实现
7.2.1 架构图
7.2.2 实现
7.2.3 设置
7.2.4 数据集
7.2.5 生成器
7.2.6 鉴别器
7.2.7 搭建整个模型
7.2.8 训练
7.3 与全监督分类器的对比
7.4 结论
7.5 小结
第8章 条件生成对抗网络（CGAN）
8.1 动机
8.2 什么是CGAN
8.2.1 CGAN的生成器
8.2.2 CGAN的鉴别器
8.2.3 汇总表
8.2.4 架构图
8.3 教程：CGAN的实现
8.3.1 实现
8.3.2 设置
8.3.3 CGAN的生成器
8.3.4 CGAN的鉴别器
8.3.5 搭建整个模型
8.3.6 训练
8.3.7 输出样本图像
8.3.8 训练模型
8.3.9 检查输出：生成目标数据
8.4 结论
8.5 小结
第9章 循环一致性生成对抗网络（CycleGAN）
9.1 图像到图像的转换
9.2 循环一致性损失：再GAN一次
9.3 对抗损失
9.4 恒等损失
9.5 架构
9.5.1 CycleGAN架构：构建网络
9.5.2 生成器架构
9.5.3 鉴别器架构
9.6 GAN的面向对象设计
9.7 教程：CycleGAN
9.7.1 构建网络
9.7.2 构建生成器
9.7.3 构建鉴别器
9.7.4 训练CycleGAN
9.7.5 运行CycleGAN
9.8 扩展、增强和应用
9.8.1 增强CycleGAN
9.8.2 应用
9.9 小结
第三部分 何去何从
第10章 对抗样本
10.1 对抗样本的背景
10.2 谎言，该死的谎言及分布
10.3 训练的使用与滥用
10.4 信号与噪声
10.5 柳暗花明又一村
10.6 GAN的对手
10.7 结论
10.8 小结
第11章 GAN的实际应用
11.1 医学领域的GAN
11.1.1 利用GAN提高诊断准确率
11.1.2 方法
11.1.3 结果
11.2 时尚领域的GAN
11.2.1 利用GAN设计服装
11.2.2 方法
11.2.3 创造新单品以符合个人偏好
11.2.4 修改现有单品以更符合个人偏好
11.3 结论
11.4 小结
第12章 展望未来
12.1 伦理问题
12.2 GAN的创新
12.2.1 相对生成对抗网络（RGAN）
12.2.2 自注意力生成对抗网络（SAGAN）
12.2.3 BigGAN
12.3 拓展阅读
12.4 回顾与总结
12.5 小结
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
