豆瓣高分 类型
9.2 豆瓣评分
可以朗读 语音朗读
101千字 字数
2020-09-01 发行日期
展开全部

主编推荐语

神经网络新星GAN概念介绍及使用PyTorch编写方法，适合初学者、从业人员。

内容简介

生成对抗网络（Generative Adversarial Networks，GAN）是神经网络领域的新星，被誉为“机器学习领域近20 年来最酷的想法”。本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录，分别介绍了PyTorch基础知识、用PyTorch开发神经网络、改良神经网络以提升效果、引入CUDA和GPU以加速GAN，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。本书适合任何想初步了解GAN以及其工作原理的读者,也适合于想要学习如何搭建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。

目录

  • 版权信息
  • 版权
  • 版权声明
  • 内容提要
  • 译者序
  • 前言
  • 资源与支持
  • 第1章 PyTorch和神经网络
  • 1.1 PyTorch入门
  • 1.1.1 Google Colab
  • 1.1.2 PyTorch张量
  • 1.1.3 PyTorch的自动求导机制
  • 1.1.4 计算图
  • 1.1.5 学习要点
  • 1.2 初试PyTorch神经网络
  • 1.2.1 MNIST图像数据集
  • 1.2.2 获取MNIST数据集
  • 1.2.3 数据预览
  • 1.2.4 简单的神经网络
  • 1.2.5 可视化训练
  • 1.2.6 MNIST数据集类
  • 1.2.7 训练分类器
  • 1.2.8 查询神经网络
  • 1.2.9 简易分类器的性能
  • 1.3 改良方法
  • 1.3.1 损失函数
  • 1.3.2 激活函数
  • 1.3.3 改良方法
  • 1.3.4 标准化
  • 1.3.5 整合改良方法
  • 1.3.6 学习要点
  • 1.4 CUDA基础知识
  • 1.4.1 numpy与Python的比较
  • 1.4.2 NVIDIA CUDA
  • 1.4.3 在Python中使用CUDA
  • 1.4.4 学习要点
  • 第2章 GAN初步
  • 2.1 GAN的概念
  • 2.1.1 生成图像
  • 2.1.2 对抗训练
  • 2.1.3 GAN的训练
  • 2.1.4 训练GAN的挑战
  • 2.1.5 学习要点
  • 2.2 生成1010格式规律
  • 2.2.1 真实数据源
  • 2.2.2 构建鉴别器
  • 2.2.3 测试鉴别器
  • 2.2.4 构建生成器
  • 2.2.5 检查生成器输出
  • 2.2.6 训练GAN
  • 2.2.7 学习要点
  • 2.3 生成手写数字
  • 2.3.1 数据类
  • 2.3.2 MNIST鉴别器
  • 2.3.3 测试鉴别器
  • 2.3.4 MNIST生成器
  • 2.3.5 检查生成器输出
  • 2.3.6 训练GAN
  • 2.3.7 模式崩溃
  • 2.3.8 改良GAN的训练
  • 2.3.9 种子实验
  • 2.3.10 学习重点
  • 2.4 生成人脸图像
  • 2.4.1 彩色图像
  • 2.4.2 CelebA图像数据集
  • 2.4.3 分层数据格式
  • 2.4.4 获取数据
  • 2.4.5 查看数据
  • 2.4.6 数据集类
  • 2.4.7 鉴别器
  • 2.4.8 测试鉴别器
  • 2.4.9 GPU加速
  • 2.4.10 生成器
  • 2.4.11 检查生成器输出
  • 2.4.12 训练GAN
  • 2.4.13 学习要点
  • 第3章 卷积GAN和条件式GAN
  • 3.1 卷积GAN
  • 3.1.1 内存消耗
  • 3.1.2 局部化的图像特征
  • 3.1.3 卷积过滤器
  • 3.1.4 学习卷积核权重
  • 3.1.5 特征的层次结构
  • 3.1.6 MNIST CNN
  • 3.1.7 CelebA CNN
  • 3.1.8 自己动手试验
  • 3.1.9 学习要点
  • 3.2 条件式GAN
  • 3.2.1 条件式GAN架构
  • 3.2.2 鉴别器
  • 3.2.3 生成器
  • 3.2.4 训练循环
  • 3.2.5 绘制图像
  • 3.2.6 条件式GAN的结果
  • 3.2.7 学习要点
  • 3.3 结语
  • 太有才了!
  • 未来方向
  • 负责任地使用
  • 机器学习是超酷的!
  • 附录A 理想的损失值
  • A.1 MSE损失
  • A.2 BCE损失
  • 附录B GAN学习可能性
  • B.1 GAN不会记忆训练数据
  • B.2 简单的例子
  • B.3 从一个概率分布中生成图像
  • B.4 为图像特征学习像素组合
  • B.5 多模式以及模式崩溃
  • 附录C 卷积案例
  • C.1 例1: 卷积，步长为1，无补全
  • C.2 例2: 卷积，步长为2，无补全
  • C.3 例3: 卷积，步长为2，有补全
  • C.4 例4: 卷积，不完全覆盖
  • C.5 例5: 转置卷积，步长为2，无补全
  • C.6 例6: 转置卷积，步长为1，无补全
  • C.7 例7: 转置卷积，步长为2，有补全
  • C.8 计算输出大小
  • 附录D 不稳定学习
  • D.1 梯度下降是否适用于训练GAN
  • D.2 简单的对抗案例
  • D.3 梯度下降并不适合对抗博弈
  • D.4 为什么是圆形轨迹
  • 附录E 相关数据集和软件
  • E.1 MNIST数据集
  • E.2 CelebA数据集
  • E.3 英伟达和谷歌
  • E.4 开源软件
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

人民邮电出版社

人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。