产品描述
下標前請詢問庫存！
無光碟、頁、2020/9/9出版
書名#GAN 對抗式生成網路
作者:Jakub Langr、Vladimir Bok 著、哈雷 譯
出版社: 旗標出版
ISBN# 9789863126386
色彩：局彩
附件：請下載
「GAN 是近年來機器學習領域中最有趣的點子！」這是臉書首席 AI 科學家、也是當今深度學習三巨頭之一的 Yann LeCun 對 GAN (對抗式生成網路) 技術下的註解。GAN 從誕生至今已經創造了許多令人瞠目結舌的驚人應用，從最早貓圖片的自動產生器、虛擬人臉生成器、到 Deepfake 影片/照片換臉特效，都是 GAN 的應用。光是 GAN 的開山論文，被引用次數就足足是 TensorFlow 的 2.5 倍，不只在技術領域，就連麥肯錫 (McKinsey & Company) 等主流媒體，GAN 的相關討論也時常出現。但要搞懂這最尖端、最熱門的技術可不容易，網路上許多似是而非的說法，加上漏洞百出的數學推導，讓初學者不得其門而入。本書目標是針對想從基礎開始學習 GAN（對抗式生成網路）的人，提供最可靠的原理教學與實戰指南。我們將從最簡單的範例開始上手，然後介紹各種最先進的 GAN 技術並用程式實作，包括生成高解析度圖片、圖像轉譯、或製作對抗性樣本等。我們會提供最直觀的解說，讓讀者只需要具備基礎的 Python、深度學習、與數學相關知識，就能直接探索這項如魔法般的尖端科技。我們希望讀者不但能了解 GAN 到目前為止所取得的成就，還能獲得必要的知識與工具來充實自己，以便進一步展開新的應用。對於充滿企圖心的人來說，GAN 可是具有無窮的潛力，一旦上手，未來在學術界或生活應用上必能大放異彩，很高興您能加入我們的行列。
第一篇 GAN 與生成模型入門</b>
1 GAN (對抗式生成網路) 簡介
2 用 Autoencoder (AE) 做為生成模型
3 你的第一個 GAN：生成手寫數字
4 深度卷積 GAN (DCGAN)
<b>第二篇 GAN 的進階課題</b>
5 訓練 GAN 時所面臨的挑戰與解決之道
6 漸進式 GAN (PGGAN)
7 半監督式 GAN (SGAN)
8 條件式 GAN (CGAN)
9 CycleGAN
<b>第三篇 GAN 的實際應用及未來方向</b>
10 對抗性樣本 (Adversarial example)
11 GAN 的實際應用
12 展望未來
[完整目錄]
<b>第一篇 GAN 與生成模型入門</b>
第 1 章 GAN (對抗式生成網路) 簡介
1.1 什麼是 GAN (Generative Adversarial Network)？
1.2 GAN 如何運作？
1.3 GAN 的詳細運作流程
1.3.1 GAN 的訓練方式
1.3.2 何時達到均衡 (完成訓練)
1.4 為何要學 GAN？
第 2 章 用 Autoencoder (AE) 做為生成模型
2.1 生成模型 (Generative model) 簡介
2.2 Autoencoder 的運作原理
2.3 Autoencoder 的架構
2.4 Autoencoder 與 GAN 有何不同？
2.5 Autoencoder 的用途
2.6 「非監督式」與「自監督式」學習
2.6.1 舊招新用
2.6.2 用 Autoencoder 生成資料
2.6.3 VAE (Variational Autoencoder)
2.7 實例：寫程式實作 VAE
2.8 再論潛在空間
2.9 為何我們還是得用 GAN？
第 3 章 你的第一個 GAN：生成手寫數字
3.1 GAN 的基礎：對抗訓練
3.1.1 損失函數
3.1.2 訓練過程
3.2 生成器與鑑別器的目標差異
3.2.1 目標衝突
3.2.2 混淆矩陣 (confusion matrix)
3.3 GAN 的訓練程序
3.4 實例：生成手寫數字
3.4.1 匯入模組並設定模型輸入維度
3.4.2 實作生成器
3.4.3 實作鑑別器
3.4.4 建立並編譯訓練所需的模型
3.4.5 撰寫訓練用的函式
3.4.6 顯示生成的圖片
3.4.7 開始訓練模型
3.4.8 檢查結果
3.5 結語
第 4 章 深度卷積 GAN (DCGAN)
4.1 卷積神經網路 (CNN)
4.1.1 卷積濾鏡 (Convolutional filter)
4.1.2 將 CNN 的概念視覺化
4.2 DCGAN 簡史
4.3 批次正規化 (Batch normalization)
4.3.1 了解正規化
4.3.2 批次正規化計算
4.4 實例：用 DCGAN 生成手寫數字
4.4.1 匯入模組並設定模型輸入的維度
4.4.2 實作 DCGAN 的生成器
4.4.3 實作 DCGAN 的鑑別器
4.4.4 建立並運行 DCGAN
4.4.5 模型輸出
4.5 結語
<b>第二篇 GAN 的進階課題</b>
第 5 章 訓練 GAN 時所面臨的挑戰與解決之道
5.1 評估訓練成效的方法
5.1.1 各種可能的評估方法
5.1.2 起始分數 (IS)
5.1.3 Fréchet 初始距離 (FID)
5.2 訓練上的挑戰
5.2.1 逐步增加神經網路的深度
5.2.2 更改賽局的設計與評估方式
5.2.3 Min-Max GAN
5.2.4 非飽和 GAN (NS-GAN)
5.2.5 何時該結束訓練
5.2.6 Wasserstein GAN (WGAN)
5.3 賽局設計的重點整理
5.4 訓練 GAN 的實用技巧
5.4.1 將輸入正規化
5.4.2 批次正規化
5.4.3 梯度懲罰
5.4.4 給鑑別器更多的訓練
5.4.5 避免稀疏梯度
5.4.6 使用標籤平滑或增加標籤雜訊
第 6 章 漸進式 GAN (PGGAN)
6.1 於潛在空間中做插值
6.2 進展快速的 PGGAN
6.2.1 以漸進方式擴充圖層解析度
6.2.2 程式觀摩
6.2.3 小批次標準差
6.2.4 均等學習率
6.2.5 生成器的逐像素特徵正規化
6.3 PGGAN 的關鍵改良總結
6.4 TensorFlow Hub 入門
6.5 實際應用
第 7 章 半監督式 GAN (SGAN)
7.1 認識 SGAN
7.1.1 什麼是 SGAN？
7.1.2 SGAN 的
产品规格
| 進口/非進口 | 非進口 |
|---|
