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 |
---|