科技 类型
6.8 豆瓣评分
可以朗读 语音朗读
127千字 字数
2018-10-01 发行日期
展开全部

主编推荐语

本书中生成对抗网络（GAN）是当下热门的人工智能技术之一，被美国《麻省理工科技评论》评为2018年“全球十大突破性技术“。

内容简介

本书是一本结合基础理论与工程实践的入门书籍，深入浅出地讲解了GAN的各类模型以及技术发展。

全书共10章，前半部分介绍目前已经较为成熟的模型，如DCGAN、WGAN等，以及大量不同结构的GAN变种；后半部分介绍GAN在文本到图像的生成、图像到图像的生成以及其他应用中的研究与发展。本书适合机器学习领域从业人员、高校相关专业学生以及具备一定基础的人工智能爱好者阅读。

目录

  • 版权信息
  • 前言
  • 第1章 人工智能入门
  • 1.1 人工智能的历史与发展
  • 1.1.1 人工智能的诞生
  • 1.1.2 人工智能的两起两落
  • 1.1.3 新时代的人工智能
  • 1.2 机器学习与深度学习
  • 1.2.1 机器学习分类
  • 1.2.2 神经网络与深度学习
  • 1.2.3 深度学习的应用
  • 1.3 了解生成对抗网络
  • 1.3.1 从机器感知到机器创造
  • 1.3.2 什么是生成对抗网络
  • 1.4 本章小结
  • 第2章 预备知识与开发工具
  • 2.1 Python语言与开发框架
  • 2.1.1 Python语言
  • 2.1.2 常用工具简介
  • 2.1.3 第三方框架简介
  • 2.2 TensorFlow基础入门
  • 2.2.1 TensorFlow简介与安装
  • 2.2.2 TensorFlow使用入门
  • 2.2.3 Tensorflow实例：图像分类
  • 2.3 Keras基础入门
  • 2.3.1 Keras简介与安装
  • 2.3.2 Keras使用入门
  • 2.3.3 Keras实例：文本情感分析
  • 2.4 Floyd：使用深度学习云平台运行程序
  • 2.4.1 深度学习云平台简介
  • 2.4.2 Floyd使用入门
  • 2.4.3 Floyd实例：神经网络风格转换
  • 2.5 本章小结
  • 第3章 理解生成对抗网络
  • 3.1 生成模型
  • 3.1.1 生成模型简介
  • 3.1.2 自动编码器
  • 3.1.3 变分自动编码器
  • 3.2 GAN的数学原理
  • 3.2.1 最大似然估计
  • 3.2.2 生成对抗网络的数学推导
  • 3.3 GAN的可视化理解
  • 3.4 GAN的工程实践
  • 3.5 本章小结
  • 第4章 深度卷积生成对抗网络
  • 4.1 DCGAN的框架
  • 4.1.1 DCGAN设计规则
  • 4.1.2 DCGAN框架结构
  • 4.2 DCGAN的工程实践
  • 4.3 DCGAN的实验性应用
  • 4.3.1 生成图像的变换
  • 4.3.2 生成图像的算术运算
  • 4.3.3 残缺图像的补全
  • 4.4 本章小结
  • 第5章 Wasserstein GAN
  • 5.1 GAN的优化问题
  • 5.2 WGAN的理论研究
  • 5.3 WGAN的工程实践
  • 5.4 WGAN的实验效果分析
  • 5.4.1 代价函数与生成质量的相关性
  • 5.4.2 生成网络的稳定性
  • 5.4.3 模式崩溃问题
  • 5.5 WGAN的改进方案：WGAN-GP
  • 5.6 本章小结
  • 第6章 不同结构的GAN
  • 6.1 GAN与监督式学习
  • 6.1.1 条件式生成：cGAN
  • 6.1.2 cGAN在图像上的应用
  • 6.2 GAN与半监督式学习
  • 6.2.1 半监督式生成：SGAN
  • 6.2.2 辅助分类生成：ACGAN
  • 6.3 GAN与无监督式学习
  • 6.3.1 无监督式学习与可解释型特征
  • 6.3.2 理解InfoGAN
  • 6.4 本章小结
  • 第7章 文本到图像的生成
  • 7.1 文本条件式生成对抗网络
  • 7.2 文本生成图像进阶：GAWWN
  • 7.3 文本到高质量图像的生成
  • 7.3.1 层级式图像生成：StackGAN
  • 7.3.2 层级式图像生成的优化：StackGAN-v2
  • 7.4 本章小结
  • 第8章 图像到图像的生成
  • 8.1 可交互图像转换：iGAN
  • 8.1.1 可交互图像转换的用途
  • 8.1.2 iGAN的实现方法
  • 8.1.3 iGAN软件简介与使用方法
  • 8.2 匹配数据图像转换：Pix2Pix
  • 8.2.1 理解匹配数据的图像转换
  • 8.2.2 Pix2Pix的理论基础
  • 8.2.3 Pix2Pix的应用实践
  • 8.3 非匹配数据图像转换：CycleGAN
  • 8.3.1 理解非匹配数据的图像转换
  • 8.3.2 CycleGAN的理论基础
  • 8.3.3 CycleGAN的应用实践
  • 8.4 多领域图像转换：StarGAN
  • 8.4.1 多领域的图像转换问题
  • 8.4.2 StarGAN的理论基础
  • 8.4.3 StarGAN的应用实践
  • 8.5 本章小结
  • 第9章 GAN的应用：从多媒体到艺术设计
  • 9.1 GAN在多媒体领域的应用
  • 9.1.1 图像去模糊
  • 9.1.2 人脸生成
  • 9.1.3 音频合成
  • 9.2 GAN与AI艺术
  • 9.2.1 AI能否创造艺术
  • 9.2.2 AI与计算机艺术的发展
  • 9.2.3 艺术生成网络：从艺术模仿到创意生成
  • 9.3 GAN与AI设计
  • 9.3.1 AI时代的设计
  • 9.3.2 AI辅助式设计的研究
  • 9.4 本章小结
  • 第10章 GAN研究热点
  • 10.1 评估与优化
  • 10.2 对抗攻击
  • 10.3 发展中的GAN
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。