GAN生成对抗神经网络原理与实践

1星价 ¥55.3 (7.0折)

2星价￥55.3 定价￥79.0

作者：李明军

出版社：北京大学出版社

本类榜单：计算机/网络

分类：计算机/网络 > 网络与数据通信 > 网络配置与管理

暂无评论

图文详情

ISBN：9787301321164
装帧：一般胶版纸
册数：暂无
重量：暂无
开本：16开
页数：296
出版时间：2021-05-01
条形码：9787301321164 ; 978-7-301-32116-4

本书特色

1.概览全景：首先，本书对GAN进行全景式的介绍，让读者能够了解GAN的技术起源、在应用领域的发展演变过程、在技术上面临的主要挑战，以及解决这些挑战的思路和对策。 2. 详解原理：其次，本书详细介绍了GAN的基本原理，即通过生成模型（Generative Model，G）和判别模型（Discriminative Model，D）的相互对抗，*终实现生成模型具备生成足够逼真的高维度数据（如图像或音乐）的能力。 3. 案例丰富：*后，本书介绍了几种常用的、有代表性的GAN模型实战，包括原始的GAN、DCGAN（基于深层卷积网络的GAN）、CGAN（有条件约束的GAN）、InfoGAN（自动捕获图像中关键特征的GAN）、SGAN（多层堆叠的GAN）、CycleGAN（循环一致的GAN）等。这些GAN模型涵盖了GAN在发展演变过程中各个阶段面临的挑战与对策，可让读者掌握各种各样的GAN的关键原理和实战代码。

内容简介

生成对抗神经网络（Generative Adversarial Nets，GAN）作为一种深度学习框架，发展十分迅猛。通过相互对抗的神经网络模型，GAN能够生成结构复杂且十分逼真的高维度数据。因此，被广泛应用于学术研究和工程领域，包括图像处理，如图像生成、图像转换、视频合成；序列数据生成，如语音生成、音乐生成等；以及其他众多领域，如迁移学习、医学图象细分、隐写术、持续学习（深度学习重放）等。 GAN的技术较为复杂，细分领域众多，发展十分迅猛，因此，需要一个科学有效的学习方法。首先，需要了解GAN的全景，对GAN的发展脉络和各个细分领域都有所了解，在面对各种各样的应用场景时能够胸有成竹。其次，掌握生成对抗的基本原理，以及实现生成对抗的关键技术，在面对GAN领域出现的各种新理念、新技术时能够追本溯源，从容应对。很后，再针对关键的GAN进行深入研究。本书正是按照上述方式来组织的。让有志于学习研究GAN的读者快速入门并掌握GAN的关键技术，是写作本书的初衷。

第1章生成对抗神经网络综述　　　　1
1.1 什么是生成对抗神经网络？　　　　2
1.2 为什么要学习GAN？　　　　5
1.3 应用场景　　　　9
1.4 技术难点　　　　18
1.5 潜在空间的处理　　　　22
1.6 **个GAN实战　　　　27
第2章 TensorFlow 2.0安装　　　　39
2.1 通过Docker安装　　　　40
2.2 通过conda安装　　　　41
第3章神经网络原理　　　　43
3.1 应用场景简介　　　　44
3.2 深层神经网络简介　　　　46
3.3 卷积神经网络简介　　　　53
3.4 反卷积神经网络简介　　　　61
第4章 TensorFlow 2.0开发入门　　　　65
4.1 开发环境　　　　66
4.2 张量　　　　68
4.3 Keras开发概览　　　　72
4.4 使用函数接口开发　　　　87
4.5 网络层　　　　99
4.6 激活函数　　　　104
4.7 损失函数　　　　108
4.8 优化器　　　　110
第5章常用数据集　　　　112
5.1 MNIST　　　　113
5.2 Fashion-MNIST　　　　115
5.3 CIFAR-10　　　　118
5.4 CIFAR-100　　　　120
第6章 DCGAN　　　　123
6.1 DCGAN概述　　　　124
6.2 批量标准化　　　　124
6.3 使用多种激活函数　　　　125
6.4 在MNIST数据集上的实现　　　　126
6.5 在LSUN数据集上的实现　　　　139
第7章 CGAN　　　　148
7.1 CGAN概述　　　　149
7.2 在MNIST数据集上的实现　　　　153
第8章 InfoGAN　　　　179
8.1 技术原理　　　　180
8.2 模型实现技巧　　　　183
8.3 在MNIST数据集上的实现　　　　185
8.4 在Fashion MNIST数据集上
的实现　　　　201
第9章 SGAN　　　　204
9.1 技术原理　　　　205
9.2 模型训练　　　　207
9.3 SGAN在MNIST数据集上的
实现　　　　210
9.4 SGAN在CIFAR数据集上的
实现　　　　242
第10章 CycleGAN　　　　267
10.1 CycleGAN简介　　　　268
10.2 技术原理　　　　268
10.3 技术实现　　　　270

展开全部