• 今日66折
  • 天天BUY
滿1200送100E
生成對抗網路專案實戰

生成對抗網路專案實戰

  • 定價:414
  • 優惠價:79327
  • 優惠期限:2020年02月29日止
  • 運送方式:
  • 臺灣與離島
  • 海外
  • 可配送點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
  • 可取貨點:台灣、蘭嶼、綠島、澎湖、金門、馬祖
載入中...
 

內容簡介

生成對抗網路(GAN)可以類比任何資料分佈方式,因而潛力巨大,為很多難以自動化的問題提供瞭解決途徑。本書立足理論,著重實踐,帶領讀者快速熟悉並上手GAN。
 
本書首先介紹構建高效項目所涉及的概念、工具和庫,然後利用不同類型的資料集,依次構建7個GAN項目,訓練並優化GAN模型。這些專案涵蓋了各種流行方法,包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。
 

作者介紹

凱拉什·阿伊瓦(Kailash Ahirwar)是機器學習解決方案平臺Mate Labs的聯合創始人兼首席技術官,與人合作發明了去中心化的分散式深度學習訓練協議Raven Protocol,機器學習和深度學習愛好者,其研究工作涉及人工智慧的許多領域,包括自然語言處理、電腦視覺,以及使用GAN進行生成建模。
 

目錄

前言 iii

第1章 生成對抗網路簡介 1

1.1 什麼是GAN 1

1.1.1 什麼是生成網路 1

1.1.2 什麼是判別網路 2

1.1.3 GAN通過對抗競賽進行訓練 2

1.2 GAN的實際應用 2

1.3 GAN的具體架構 3

1.3.1 生成網路的架構 3

1.3.2 判別網路的架構 4

1.3.3 GAN相關重要概念 5

1.3.4 評分演算法 7

1.4 GAN變體 8

1.4.1 深度卷積生成對抗網路 8

1.4.2 StackGAN 9

1.4.3 CycleGAN 9

1.4.4 3D-GAN 9

1.4.5 Age-cGAN 9

1.4.6 pix2pix 9

1.5 GAN的優勢 10

1.6 訓練GAN的問題 10

1.6.1 模式塌陷 10

1.6.2 梯度消失 10

1.6.3 內部協變數轉移 11

1.7 解決GAN訓練穩定性問題 11

1.7.1 特徵匹配 11

1.7.2 小批量判別 12

1.7.3 歷史平均 13

1.7.4 單面標籤平滑 13

1.7.5 批歸一化 14

1.7.6 實例歸一化 14

1.8 小結 14


第2章 使用3D-GAN生成圖形 15

2.1 3D-GAN簡介 15

2.1.1 3D卷積 15

2.1.2 3D-GAN架構 16

2.1.3 目標函數 20

2.1.4 訓練3D-GAN 20

2.2 創建項目 21

2.3 準備數據 21

2.3.1 下載並提取資料集 22

2.3.2 探索資料集 22

2.4 3D-GAN的Keras實現 25

2.4.1 生成網路 25

2.4.2 判別網路 27

2.5 訓練3D-GAN 28

2.5.1 訓練兩個網路 28

2.5.2 保存模型 31

2.5.3 測試模型 32

2.5.4 損失視覺化 32

2.5.5 圖視覺化 33

2.6 超參數優化 34

2.7 3D-GAN的實際應用 34

2.8 小結 34


第3章 使用cGAN實現人臉老化 35

3.1 人臉老化cGAN簡介 35

3.1.1 理解cGAN 35

3.1.2 Age-cGAN架構 36

3.1.3 Age-cGAN的訓練階段 37

3.2 創建項目 39

3.3 準備數據 39

3.3.1 下載資料集 40

3.3.2 提取資料集 40

3.4 Age-cGAN的Keras實現 41

3.4.1 編碼網路 42

3.4.2 生成網路 44

3.4.3 判別網路 47

3.5 訓練cGAN 49

3.5.1 訓練cGAN 49

3.5.2 潛在向量初步近似 55

3.5.3 潛在向量優化 57

3.5.4 損失視覺化 59

3.5.5 圖視覺化 60

3.6 Age-cGAN的實際應用 61

3.7 小結 62


第4章 使用DCGAN生成動畫人物 63

4.1 DCGAN 簡介 63

4.2 創建項目 69

4.3 下載並準備動畫人物資料集 70

4.3.1 下載資料集 70

4.3.2 探索資料集 71

4.3.3 剪裁及縮放訓練集圖像 71

4.4 使用Keras實現DCGAN 73

4.4.1 生成網路 74

4.4.2 判別網路 76

4.5 訓練DCGAN 78

4.5.1 載入樣本 79

4.5.2 構建並編譯網路 79

4.5.3 訓練判別網路 81

4.5.4 訓練生成網路 81

4.5.5 生成圖像 82

4.5.6 保存模型 83

4.5.7 生成圖像視覺化 83

4.5.8 損失視覺化 84

4.5.9 圖視覺化 85

4.5.10 超參數調優 85

4.6 DCGAN的實際應用 86

4.7 小結 86


第5章 使用SRGAN生成逼真圖像 87

5.1 SRGAN簡介 87

5.1.1 SRGAN架構 87

5.1.2 訓練目標函數 91

5.2 創建項目 92

5.3 下載CelebA資料集 93

5.4 SRGAN的Keras實現 94

5.4.1 生成網路 94

5.4.2 判別網路 98

5.4.3 VGG19網路 101

5.4.4 對抗網路 102

5.5 訓練SRGAN 103

5.5.1 構建並編譯網路 103

5.5.2 訓練判別網路 105

5.5.3 訓練生成網路 106

5.5.4 保存模型 107

5.5.5 生成圖像視覺化 107

5.5.6 損失視覺化 109

5.5.7 圖視覺化 110

5.6 SRGAN的實際應用 110

5.7 小結 110


第6章 StackGAN:基於文本合成逼真圖像 111

6.1 StackGAN簡介 111

6.2 StackGAN架構 112

6.2.1 文本編碼網路 113

6.2.2 CA塊 113

6.2.3 第 一階段 114

6.2.4 第二階段 117

6.3 創建項目 122

6.4 準備數據 123

6.4.1 下載資料集 123

6.4.2 提取資料集 124

6.4.3 探索資料集 124

6.5 StackGAN的Keras 實現 124

6.5.1 第 一階段 124

6.5.2 第二階段 132

6.6 訓練 StackGAN 141

6.6.1 訓練StackGAN第 一階段 141

6.6.2 訓練StackGAN第二階段 148

6.6.3 生成圖像視覺化 152

6.6.4 損失視覺化 152

6.6.5 圖視覺化 153

6.7 StackGAN的實際應用 154

6.8 小結 154


第7章 使用CycleGAN將繪畫轉換為照片 155

7.1 CycleGAN簡介 155

7.1.1 CycleGAN 架構 156

7.1.2 訓練目標函數 160

7.2 創建項目 161

7.3 下載資料集 162

7.4 CycleGAN的Keras實現 162

7.4.1 生成網路 163

7.4.2 判別網路 165

7.5 訓練 CycleGAN 167

7.5.1 載入資料集 167

7.5.2 構建並編譯網路 169

7.5.3 開始訓練 171

7.5.4 保存模型 173

7.5.5 生成圖像視覺化 174

7.5.6 損失視覺化 175

7.5.7 圖視覺化 176

7.6 CycleGAN的實際應用 176

7.7 小結 177

7.8 延伸閱讀 177


第8章 使用cGAN實現圖像對圖像變換 178

8.1 pix2pix簡介 178

8.1.1 pix2pix架構 179

8.1.2 訓練目標函數 184

8.2 創建項目 184

8.3 準備數據 185

8.4 pix2pix的Keras實現 189

8.4.1 生成網路 189

8.4.2 判別網路 195

8.4.3 對抗網路 200

8.5 訓練pix2pix網路 202

8.5.1 保存模型 206

8.5.2 生成圖像視覺化 206

8.5.3 損失視覺化 207

8.5.4 圖視覺化 208

8.6 pix2pix網路的實際應用 208

8.7 小結 211


第9章 預測GAN的未來 210

9.1 對GAN未來的預測 211

9.1.1 提升現有的深度學習方法 211

9.1.2 GAN商業應用的演化 211

9.1.3 GAN訓練過程的成熟 211

9.2 GAN未來的潛在應用 211

9.2.1 基於文本創建資訊圖 212

9.2.2 設計網站 212

9.2.3 壓縮資料 212

9.2.4 研發藥物 212

9.2.5 使用GAN生成文本 212

9.2.6 使用GAN生成音樂 213

9.3 探索GAN 213

9.4 小結 213

版權聲明 21
 

詳細資料

  • ISBN:9787115485441
  • 規格:平裝 / 213頁 / 16k / 19 x 26 x 1.06 cm / 普通級 / 單色印刷 / 初版
  • 出版地:大陸

最近瀏覽商品

 

相關活動

  • 不可不讀的機器學習面試寶典
 

購物說明

簡體館出貨延遲公告:

受新冠肺炎疫情影響,大陸廠商開工順延。簡體書預計供貨抵台時間恐將延至2月底,實際出貨請依出貨/取貨通知信函為主。

溫馨提醒您:若您訂單中有購買簡體館無庫存/預售書或庫存於海外廠商的書籍,建議與其他商品分開下單,以避免等待時間過長,謝謝。

大陸出版品書況:因裝幀品質及貨運條件未臻完善,書況與台灣出版品落差甚大,封面老舊、出現磨痕、凹痕等均屬常態,故簡體字館除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。 

 

請注意,部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供,需以QR CODE 連結至當地網站註冊“並通過驗證程序”,方可下載使用。

調貨時間:若您購買海外庫存之商品,於您完成訂購後,商品原則上約45個工作天內抵台(若有將延遲另行告知)。為了縮短等待的時間,建議您將簡體書與其它商品分開訂購,以利一般商品快速出貨。 

若您具有法人身份為常態性且大量購書者,或有特殊作業需求,建議您可洽詢「企業採購」。 

退換貨說明 

會員所購買的商品均享有到貨十天的猶豫期(含例假日)。退回之商品必須於猶豫期內寄回。 

辦理退換貨時,商品必須是全新狀態與完整包裝(請注意保持商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性,切勿缺漏任何配件或損毀原廠外盒)。退回商品無法回復原狀者,恐將影響退貨權益或需負擔部分費用。 

訂購本商品前請務必詳閱商品退換貨原則

  • 中信出版社3本75折
  • 北京聯合書展2本77折
  • 古籍社書展精選2本77折

訂閱電子報

想獲得最新商品資訊,請訂閱免費電子報