生成式深度学习

预估到手价 ¥24.6 (2.8折) ?

距活动结束

00:00:00

1星价 ¥35.2

2星价￥35.2 定价￥88.0

清空购物车！20万图书5本7折，满69送钥匙扣

作者：(美)大卫·福斯特(David Fost

出版社：中国电力出版社

本类榜单：计算机/网络

分类：计算机/网络 > 人工智能

温馨提示：5折以下图书主要为出版社尾货，大部分为全新（有塑封/无塑封），个别图书品相8-9成新、切口有划线标记、光盘等附件不全详细品相说明>>

暂无评论

图文详情

ISBN：9787519853082
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：24cm
页数：11,316页
出版时间：2021-03-01
条形码：9787519853082 ; 978-7-5198-5308-2

本书特色

教机器绘画、写作、作曲和玩游戏。生成建模是人工智能中*热门的话题之一。如今我们可以教机器绘画、写作和作曲，甚至在这些方面超越人类。机器学习工程师和数据科学家可以通过本书的学习，掌握如何构建*先进的生成式深度学习模型，例如变分自动编码器、生成对抗网络(GAN)、编码器-解码器模型，以及世界模型等。本书的作者在书中介绍了各项技术的内部工作原理，从*基础的使用Keras构建深度学习模型开始，深入浅出地介绍了该领域*先进的算法。你可以通过书中的技巧和窍门，学习如何构建能够更有效地学习以及更具创造力的模型。 “本书深入浅出地介绍了生成式建模的深度学习工具包。如果你是一位富有创造力的编程爱好者，希望在实际工作中应用深度学习，那么本书是不二之选。”——David HaGoogle Brain的研究科学家本书是结合基础理论与工程实践的书籍，深入浅出地讲解了生成对抗网络的各类模型以及技术发展。

内容简介

本书的作者在书中介绍了各项技术的内部工作原理, 从*基础的使用Keras构建深度学习模型开始, 深入浅出地介绍了该领域*先进的算法。你可以通过书中的技巧和窍门, 学习如何构建能够更有效地学习以及更具创造力的模型。

目录
前言 .1
**部分生成式深度学习概述
第1 章生成建模 11
1.1 什么是生成建模？ 11
1.1.1 生成建模与判别建模 13
1.1.2 机器学习的发展 . 14
1.1.3 生成建模的兴起 . 15
1.1.4 生成建模的框架 . 18
1.2 概率生成模型 21
1.2.1 你好，Wrodl ！ 24
1.2.2 你的**个概率生成模型 . 25
1.2.3 朴素贝叶斯 28
1.2.4 你好，Wrodl ！续篇 . 31
1.3 生成建模的难题 33
表示学习 34
1.4 设置环境 37
1.5 小结 40
第2 章深度学习 41
2.1 结构化与非结构化数据 41
2.2 深度神经网络 43
Keras 和TensorFlow 44
2.3 **个深度神经网络 . 45
2.3.1 加载数据. 46
2.3.2 建立模型. 48
2.3.3 编译模型. 52
2.3.4 训练模型. 54
2.3.5 评估模型. 55
2.4 改进模型 58
2.4.1 卷积层 . 58
2.4.2 批标准化. 64
2.4.3 Dropout 层 . 66
2.4.4 结合所有层 68
2.5 小结 71
第3 章变分自动编码器 73
3.1 画展 73
3.2 自动编码器 . 76
3.2.1 **个自动编码器 . 77
3.2.2 编码器 . 78
3.2.3 解码器 . 80
3.2.4 连接编码器与解码器 82
3.2.5 分析自动编码器 . 84
3.3 变化后的画展 87
3.4 构建变分自动编码器 . 89
3.4.1 编码器 . 89
3.4.2 损失函数. 94
3.4.3 分析变分自动编码器 97
3.5 使用VAE 生成面部图像 98
3.5.1 训练VAE 99
3.5.2 分析VAE . 102
3.5.3 生成新面孔 . 103
3.5.4 隐空间的算术 104
3.5.5 面部变形 106
3.6 小结 . 107
第4 章生成对抗网络 108
4.1 神秘兽 108
4.2 生成对抗网络简介 111
4.3 **个生成对抗网络 112
4.3.1 判别器 113
4.3.2 生成器 115
4.3.3 训练GAN 119
4.4 GAN 面临的难题 125
4.4.1 损失震荡 125
4.4.2 模式收缩 126
4.4.3 不提供信息的损失函数 126
4.4.4 超参数 127
4.4.5 解决GAN 面临的难题 . 127
4.5 WGAN 127
4.5.1 Wasserstein 损失 128
4.5.2 利普希茨约束 130
4.5.3 权重裁剪 131
4.5.4 训练WGAN 132
4.5.5 分析WGAN 133
4.6 WGAN-GP 134
4.6.1 梯度惩罚损失 135
4.6.2 分析WGAN-GP 139
4.7 小结 . 140
第二部分教机器绘画、写作、作曲和玩游戏
第5 章绘画 145
5.1 苹果和橙子 146
5.2 CycleGAN 149
5.3 **个CycleGAN 模型 . 151
5.3.1 简介 151
5.3.2 生成器（U-Net） 153
5.3.3 判别器 157
5.3.4 编译CycleGAN 158
5.3.5 训练CycleGAN 161
5.3.6 分析CycleGAN 162
5.4 创建一个模仿莫奈作品的CycleGAN . 164
5.4.1 生成器（ResNet） 165
5.4.2 分析CycleGAN 166
5.5 神经风格迁移 . 168
5.5.1 内容损失 169
5.5.2 风格损失 172
5.5.3 总方差损失 . 175
5.5.4 运行神经风格迁移 176
5.5.5 分析神经风格迁移模型 177
5.6 小结 . 178
第6 章写作 179
6.1 坏家伙们的文学社 180
6.2 长短期记忆网络 181
6.3 **个LSTM 网络 182
6.3.1 分词 183
6.3.2 建立数据集 . 185
6.3.3 LSTM 架构 . 187
6.3.4 嵌入层 187
6.3.5 LSTM 层 188
6.3.6 LSTM 元胞 . 190
6.4 生成新文本 192
6.5 RNN 扩展 . 196
6.5.1 堆叠式循环网络 196
6.5.2 门控制循环单元 198
6.5.3 双向元胞 200
6.6 编码器- 解码器模型 200
6.7 问答生成器 203
6.7.1 问答数据集 . 204
6.7.2 模型架构 205
6.7.3 推断 210
6.7.4 模型的结果 . 212
6.8 小结 . 214
第7 章作曲 215
7.1 前提知识 216
音符 216