当前位置:主页 > 计算机电子书 > 网络与数据通信 > GAN pdf电子书
GAN:实战生成对抗网络

GAN:实战生成对抗网络 PDF 超清扫描版

  • 更新:2023-08-08
  • 大小:110.25 MB
  • 类别:GAN
  • 作者:Kuntal
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

GAN:实战生成对抗网络》是由电子工业出版社出版的一本关于GAN方面的书籍,作者是Kuntal,主要介绍了关于GAN、对抗网络方面的知识内容,目前在GAN类书籍综合评分为:8.8分。

码农点评

《GAN: 实战生成对抗网络》是一本重要的书籍,它深入剖析了对抗网络的原理和应用。本书详细介绍了如何使用TensorFlow、Keras和PyTorch等主流深度学习框架来实现GAN,并解决了AI和深度学习领域的一些痛点问题。作者通过简化版深度学习生成模型的设计,不仅实现了无监督学习,还提供了半监督学习的解决方案。这本书是下一代深度学习生成模型的重要实践指南,对于想要深入了解和应用GAN的人来说,是一本不可或缺的指导手册。

书籍介绍

GAN:实战生成对抗网络

GAN:实战生成对抗网络 电子书封面

读者评价

不到150页的,浓缩的才是精华。信息量特别多,每个字都需要细看,绝无废话。
原理介绍的不清晰, 贴几个公式就完事了,可能只是转载和翻译下原来的论文;代码也是采用python2.7。

内容介绍

本书介绍深度学习领域一个十分活跃的分支——生成对抗网络(GAN)。书中覆盖了深度学习的基础、对抗网络背后的原理以及构建方式等内容。同时本书还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法,旨在帮助读者在真正的生产环境中使用生成对抗网络。本书适合数据科学家、算法工程师、数据挖掘工程师以及其他机器学习领域相关的从业人员,以帮助他们在工作中应用生成对抗模型;也适合机器学习和深度学习的爱好者、初学者来了解深度学习领域的新魔力。

目录

  • 1 深度学习概述 1
  • 1.1 深度学习的演化 1
  • 1.1.1 sigmoid激发 3
  • 1.1.2 修正线性单元(ReLU) 3
  • 1.1.3 指数线性单元(ELU) 4
  • 1.1.4 随机梯度下降(SGD) 5
  • 1.1.5 学习速率调优 6
  • 1.1.6 正则化 7
  • 1.1.7 权重分享以及池化 8
  • 1.1.8 局部感受野 10
  • 1.1.9 卷积网络(ConvNet) 11
  • 1.2 逆卷积/转置卷积 13
  • 1.2.1 递归神经网络和LSTM 13
  • 1.2.2 深度神经网络 14
  • 1.2.3 判别模型和生成模型的对比 16
  • 1.3 总结 16
  • 2 无监督学习GAN 17
  • 2.1 利用深度神经网络自动化人类任务 17
  • 2.1.1 GAN的目的 18
  • 2.1.2 现实世界的一个比喻 19
  • 2.1.3 GAN的组成 20
  • 2.2 GAN的实现 22
  • 2.2.1 GAN的应用 25
  • 2.2.2 在Keras上利用DCGAN实现图像生成 26
  • 2.2.3 利用TensorFlow实现SSGAN 29
  • 2.3 GAN模型的挑战 38
  • 2.3.1 启动及初始化的问题 38
  • 2.3.2 模型坍塌 38
  • 2.3.3 计数方面的问题 39
  • 2.3.4 角度方面的问题 39
  • 2.3.5 全局结构方面的问题 40
  • 2.4 提升GAN训练效果的方法 41
  • 2.4.1 特征匹配 41
  • 2.4.2 小批量 42
  • 2.4.3 历史平均 42
  • 2.4.4 单侧标签平滑 42
  • 2.4.5 输入规范化 42
  • 2.4.6 批规范化 42
  • 2.4.7 利用ReLU和MaxPool避免稀疏梯度 43
  • 2.4.8 优化器和噪声 43
  • 2.4.9 不要仅根据统计信息平衡损失 43
  • 2.5 总结 43
  • 3 图像风格跨域转换 45
  • 3.1 弥补监督学习和无监督学习之间的空隙 45
  • 3.2 条件GAN介绍 46
  • 3.2.1 利用CGAN生成时尚衣柜 47
  • 3.2.2 利用边界均衡固化GAN训练 51
  • 3.3 BEGAN的训练过程 52
  • 3.3.1 BEGAN的架构 52
  • 3.3.2 利用TensorFlow实现BEGAN 53
  • 3.4 利用CycleGAN实现图像风格的转换 57
  • 3.4.1 CycleGAN的模型公式 58
  • 3.4.2 利用TensorFlow将苹果变成橘子 58
  • 3.4.3 利用CycleGAN将马变为斑马 61
  • 3.5 总结 63
  • 4 从文本构建逼真的图像 65
  • 4.1 StackGAN介绍 65
  • 4.1.1 条件强化 66
  • 4.1.2 StackGAN的架构细节 68
  • 4.1.3 利用TensorFlow从文本生成图像 69
  • 4.2 利用DiscoGAN探索跨域的关系 72
  • 4.2.1 DiscoGAN架构以及模型公式 73
  • 4.2.2 DiscoGAN的实现 75
  • 4.3 利用PyTorch从边框生成手提包 78
  • 4.4 利用PyTorch进行性别转换 80
  • 4.5 DiscoGAN和CycleGAN的对比 82
  • 4.6 总结 82
  • 5 利用多种生成模型生成图像 83
  • 5.1 迁移学习介绍 84
  • 5.1.1 迁移学习的目的 84
  • 5.1.2 多种利用预训练模型的方法 85
  • 5.1.3 利用Keras对车、猫、狗和花进行分类 86
  • 5.2 利用Apache Spark进行大规模深度学习 90
  • 5.2.1 利用Spark深度学习模块运行预训练模型 91
  • 5.2.2 利用BigDL运行大规模手写数字识别 94
  • 5.2.3 利用SRGAN生成高清晰度图像 98
  • 5.2.4 SRGAN的架构 99
  • 5.3 利用DeepDream生成梦幻的艺术图像 105
  • 5.4 在TensorFlow上利用VAE生成手写数字 107
  • 5.5 VAE在真实世界的比喻 108
  • 5.6 GAN和VAE两个生成模型的比较 111
  • 5.7 总结 111
  • 6 将机器学习带入生产环境 113
  • 6.1 利用DCGAN构建一个图像矫正系统 113
  • 6.1.1 构建图像矫正系统的步骤 115
  • 6.1.2 在生产环境部署模型的挑战 117
  • 6.2 利用容器的微服务架构 118
  • 6.2.1 单体架构的缺陷 118
  • 6.2.2 微服务架构的优点 118
  • 6.2.3 使用容器的优点 119
  • 6.3 部署深度模型的多种方法 120
  • 6.3.1 方法1——离线建模和基于微服务的容器化部署 120
  • 6.3.2 方法2——离线建模和无服务器部署 121
  • 6.3.3 方法3——在线学习 121
  • 6.3.4 方法4——利用托管机器学习服务 121
  • 6.4 在Docker上运行基于Keras的深度模型 121
  • 6.5 在GKE上部署深度模型 124
  • 6.6 利用AWS Lambda和Polly进行无服务器的图像识别并生成音频 127
  • 6.6.1 修改Lambda环境下代码和包的步骤 137
  • 6.6.2 利用云托管服务进行人脸识别 138
  • 6.7 总结 145

资源获取

资源地址1:https://pan.baidu.com/s/1lXHKlDzxniKnnxaBmld2yg(密码:24oo)

相关资源

网友留言

网友NO.46493
网友NO.46493

GAN对于生成式模型的发展具有重要的意义。GAN作为一种生成式方法,有效解决了可建立自然性解释的数据的生成难题。尤其对于生成高维数据,所采用的神经网络结构不限制生成维度,大大拓宽了生成数据样本的范围。所采用的神经网络结构能够整合各类损失函数,增加了设计的自由度。GAN的训练过程创新性地将两个神经网络的对抗作为训练准则并且可以使用反向传播进行训练,训练过程不需要效率较低的马尔科夫链方法,也不需要做各种近似推理,没有复杂的变分下界,大大改善了生成式模型的训练难度和训练效率。GAN的生成过程不需要繁琐的采样序列,可以直接进行新样本的采样和推断,提高了新样本的生成效率。对抗训练方法摒弃了直接对真实数据的复制或平均,增加了生成样本的多样性。

网友NO.26799
网友NO.26799

从机器理解数据的角度出发,建立的生成式模型一般不直接估计或拟合分布,而是从未明确假设的分布中获取采样的数据,通过这些数据对模型进行修正。这样得到的生成式模型对人类来说缺乏可解释性,但是生成的样本却是人类可以理解的。以此推测,机器以人类无法显式理解的方式理解了数据并且生成了人类能够理解的新数据。在GAN提出之前,这种从机器理解数据的角度建立的生成式模型一般需要使用马尔科夫链进行模型训练,效率较低,一定程度上限制了其系统应。 GAN的核心思想来源于博弈论的纳什均衡。它设定参与游戏双方分别为一个生成器(Generator)和一个判别器(Discriminator),生成器的目的是尽量去学习真实的数据分布,而判别器的目的是尽量正确判别输入数据是来自真实数据还是来自生成器;为了取得游戏胜利,这两个游戏参与者需要不断优化,各自提高自己的生成能力和判别能力,这个学习优化过程就是寻找二者之间的一个纳什均衡