Manjue Spot Gan Confrontation Generation Network Jakub Langr Flag -Тайвань, подлинная импортная книга,
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
«GAN — самая интересная идея в области машинного обучения за последние годы!» Это Ян ЛеКун, главный научный сотрудник Facebook в области искусственного интеллекта и один из трех сегодняшних гигантов глубокого обучения, объясняет технологию GAN (состязательная генеративная сеть).
С момента своего появления GAN создала множество потрясающих приложений. От самого раннего автоматического генератора изображений кошек, генератора виртуальных лиц до спецэффектов изменения лица видео/фото Deepfake — все это приложения GAN.Новаторскую статью о GAN цитировали в 2,5 раза чаще, чем о TensorFlow. Не только в технической сфере, даже McKinsey&Company) и других основных средствах массовой информации, также часто появляются дискуссии, связанные с GAN.
Но разобраться в этой самой передовой и популярной технологии непросто.В Интернете можно найти множество ложных утверждений в сочетании с лазейками в математическом выводе, что затрудняет доступ новичкам.
Цель этой книги — предоставить наиболее надежное учебное и практическое руководство для тех, кто хочет изучить GAN (состязательную генеративную сеть) с самых основ.Мы начнем с самых простых примеров, а затем познакомим с различными современными методами GAN и программными реализациями, включая генерацию изображений с высоким разрешением, перевод изображений или создание состязательных образцов и т. д. Мы предоставим наиболее интуитивно понятные объяснения, чтобы читатели, которым нужны только базовые знания Python, глубокое обучение и математика, могли напрямую изучить эту волшебную передовую технологию.
Мы надеемся, что читатели не только поймут достижения GAN на данный момент, но и приобретут необходимые знания и инструменты для дальнейшего обогащения и дальнейшей разработки новых приложений. Для тех, кто полон амбиций, GAN имеет безграничный потенциал. Как только вы начнете, вы обязательно добьетесь успеха в научных кругах или в жизни.Мы рады, что вы можете присоединиться к нам.
Особенности этой книги:
●Эта книга подготовлена Исследовательской лабораторией Ши Веймина. Содержание легко читается и понимается.Также добавлено множество «Примечаний редактора» и «Дополнений редактора», помогающих понять и дополнить необходимые знания.
●Содержимое охватывает Autoencoder/VAE и различные технологии GAN, включая DCGAN, PGGAN, SGAN, CGAN, CycleGAN, NS-GAN, Min-Max GAN, WGAN, BigGANigGAN, StyleGAN,……и т. д., а также состязательные образцы и случаи применения GAN в медицинской и модной индустрии.
●Не нужно быть причудливым и привлекательным, вам шаг за шагом предстоит раскрыть тайну различных GAN в простой и доступной форме.От принципов, алгоритмов, архитектурных схем до реализации программы — вы можете полностью ощутить чудеса GAN за один раз.
●Все примеры программ были протестированы редактором на Colab, а также даны пояснения и решения для ситуаций, которые могут возникнуть из-за разных версий.Читателям также рекомендуется запустить пример программы на бесплатном Colab, чтобы избежать некоторых проблем с настройками среды или совместимостью.
Оглавление
Первое знакомство с GAN и генеративными моделями
Глава 1. Введение в GAN (генеративно-состязательную сеть)
1.1 Что такое GAN (генеративно-состязательная сеть)?
1.2 Как работает ГАН?
1.3 Подробный процесс работы GAN
1.3.1 Метод обучения GAN
1.3.2 Когда достичь равновесия (завершить обучение)
1.4 Зачем нам изучать GAN?
Глава 2 Использование автоэнкодера (AE) в качестве генеративной модели
2.1 Введение в генеративную модель
2.2 Как работает автоэнкодер
2.3 Архитектура автоэнкодера
2.4 В чем разница между автоэнкодером и GAN?
2.5 Назначение автоэнкодера
2.6 Обучение без присмотра и самоконтроля
2.6.1 Набираем старое и используем его в новом
2.6.2 Использование автоэнкодера для генерации данных
2.6.3 VAE (Variational Autoencoder)
2.7 Пример: написание программы для реализации VAE
2.8 Повторное обсуждение потенциального пространства
2.9 Почему нам все еще приходится использовать GAN?
Глава 3. Ваш первый GAN: генерация рукописных цифр
3.1 Основа GAN: состязательная тренировка
3.1.1 Функция потерь
3.1.2 Процесс обучения
3.2 Различия в целях генератора и дискриминатора
3.2.1 Конфликт целей
3.2.2 Матрица путаницы
3.3 Процедура обучения GAN
3.4 Пример: создание рукописных цифр
3.4.1 Импортируйте модуль и установите входные размеры модели.
3.4.2 Генератор реализации
3.4.3 Реализация дискриминатора
3.4.4 Создайте и скомпилируйте модели, необходимые для обучения
3.4.5 Написание функций для обучения
3.4.6 Отображение созданных изображений
3.4.7 Начало обучения модели
3.4.8 Результаты проверки
3.5 Заключение
Глава 4 Глубокая сверточная GAN (DCGAN)
4.1 Сверточная нейронная сеть (CNN)
4.1.1 Сверточный фильтр
4.1.2 Визуализация концепции CNN
4.2 Краткая история DCGAN
4.3 Пакетная нормализация
4.3.1 Понимание регуляризации
4.3.2 Расчет нормализации партии
4.4 Пример: использование DCGAN для генерации рукописных цифр
4.4.1 Импортируйте модуль и установите размеры входной модели.
4.4.2 Реализация генератора DCGAN
4.4.3 Реализация дискриминатора DCGAN
4.4.4 Сборка и запуск DCGAN
4.4.5 Выходные данные модели
4.5 Заключение
Вторая продвинутая тема GAN
Глава 5. Проблемы и решения при обучении GAN
5.1 Методы оценки эффективности обучения
5.1.1 Различные возможные методы оценки
5.1.2 Стартовый счет (IS)
5.1.3 FréЧет начальное расстояние (FID)
5.2 Проблемы обучения
5.2.1 Постепенно увеличивайте глубину нейронных сетей
5.2.2 Измените способ разработки и оценки игр
5.2.3 Min-Max GAN
5.2.4 Ненасыщенный GAN (NS-GAN)
5.2.5 Когда заканчивать обучение
5.2.6 Wasserstein GAN (WGAN)
5.3 Ключевые моменты игрового дизайна
5.4 Практические советы по обучению GAN
5.4.1 Нормализация входа
5.4.2 Нормализация партии
5.4.3 Штраф за градиент
5.4.4. Дайте дискриминатору дополнительную подготовку
5.4.5 Избегайте редких градиентов
5.4.6. Используйте этикетки, чтобы сгладить или увеличить шум на этикетках.
Глава 6 Прогрессивная ГАН (PGGAN)
6.1 Интерполяция в скрытом пространстве
6.2 Быстро развивающаяся PGGAN
6.2.1 Постепенное увеличение разрешения слоя
6.2.2 Наблюдение за программой
6.2.3 Стандартное отклонение мини-партии
6.2.4 Равная скорость обучения
6.2.5 Попиксельная регуляризация генераторов
6.3 Краткое описание ключевых улучшений PGGAN
6.4 Начало работы с TensorFlow Hub
6.5 Практическое применение
Глава 7 Полуконтролируемая ГАН (СГАН)
7.1 Понимание SGAN
7.1.1 Что такое СГАН?
7.1.2 Входные данные, выходные данные и цели SGAN
7.1.3 Процесс обучения SGAN
7.1.4 Цели обучения SGAN
7.2 Пример: реализация SGAN
7.2.1 Архитектурная схема SGAN
7.2.2 Инструкции перед отъездом
7.2.3 Первоначальные настройки программы
7.2.4 Подготовка набора данных
7.2.5 Генератор проектов
7.2.6 Проектирование дискриминатора
7.2.7 Сборка и компиляция модели
7.2.8 Начало обучения
7.3 Сравнение с полностью контролируемыми классификаторами
7.4 Заключение
Глава 8. Условный GAN (CGAN)
8.1 Мотивация развития CGAN
8.2 Принцип и архитектура CGAN
8.2.1 Генератор CGAN
8.2.2 Дискриминатор CGAN
8.2.3 Сводная таблица
8.2.4 Архитектурная схема
8.3 Пример: реализация CGAN
8.3.1 Инструкции перед отъездом
8.3.2 Первоначальная настройка
8.3.3 Генератор проектов
8.3.4 Проектирование дискриминатора
8.3.5 Сборка и компиляция модели
8.3.6 Разработка циклов обучения
8.3.7 Отображение примеров изображений
8.3.8 Фактическое начало обучения модели
8.3.9 Проверка результатов вывода: генерируются ли данные указанного типа
8.4 Заключение
Глава 9 ЦиклГАН
9.1 Перевод изображений
9.2 Потеря последовательности цикла: сначала повернуться в прошлое, а затем вернуться назад
9.3 Состязательный проигрыш
9.4 Потеря личности
9.5 Архитектура CycleGAN
9.5.1 Общая архитектура: 4 нейронные сети CycleGAN
9.5.2 Архитектура генератора
9.5.3 Архитектура дискриминатора
9.6 Объектно-ориентированное проектирование GAN
9.7 Пример: реализация CycleGAN
9.7.1 Создание 4 нейронных сетей CycleGAN
9.7.2 Метод создания генератора
9.7.3 Метод построения дискриминатора
9.7.4 Метод обучения модели
9.7.5 Фактическое начало обучения
9.8 Расширение и применение CycleGAN
9.8.1 Расширенная версия CycleGAN (Augmented CycleGAN)
9.8.2 Различные применения CycleGAN
Часть 3. Практическое применение и будущие направления GAN
Глава 10. Состязательный пример
10.1 Использование состязательных примеров
10.2 Потенциальные недостатки глубокого обучения: его легко обмануть
10.3 Правильное и неправильное использование методов обучения
10.4. Сигнал и шум в выборках
10.5 Еще не время отчаиваться
10.6 Чтобы развязать колокольчик, нужно его завязать. Пришло время GAN принять меры.
10.7 Заключение
Глава 11. Практическое применение GAN
11.1 Применение ГАН в медицине
11.1.1 Использование GAN для повышения точности диагностики
11.1.2 Методы усиления обучающих выборок
11.1.3 Результаты применения
11.2 Применение GAN в моде
11.2.1 Используйте GAN для «проектирования» моды
11.2.2 Применение CGAN в сфере моды
11.2.3 Создание новых продуктов, отвечающих личным предпочтениям
11.2.4 Улучшение существующих продуктов в соответствии с личными предпочтениями
11.3 Заключение
Глава 12 Взгляд в будущее
12.1 Этические соображения в отношении GAN
12.2 Последние улучшения в GAN
12.2.1 RGAN (относительно GAN)
12.2.2 САГАН (ГАН самообслуживания)
12.2.3 BigGAN
12.3 Ссылки на дополнительные потенциальные GAN
12.4 Обзор и заключение этой книги
