生成對抗網(wǎng)絡入門指南（第2版）

定　價：￥89.00

作　者：	史丹青著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111683711	出版時間：	2021-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	256	字數(shù)：

內(nèi)容簡介

　　從2014年至今，與GAN有關的論文數(shù)量急劇增加，從谷歌學術的數(shù)據(jù)來看，數(shù)量仍在不斷增加中。究其原因，除了科學研究本身的魅力之外，諸如文本到圖像的生成、圖像到圖像的生成等應用研究也讓業(yè)界非常興奮，給人工智能領域帶來諸多可能性。本書是GAN的入門書籍，結合基礎理論、工程實踐進行講解，深入淺出地介紹GAN的技術發(fā)展以及各類衍生模型。本書面向機器學習從業(yè)人員、高校相關專業(yè)學生以及具備一定基礎的人工智能技術愛好者。書中包含GAN的理論知識與代碼實踐（示例代碼可以從華章官網(wǎng)搜索下載），可幫助讀者理解GAN的技術原理與實現(xiàn)細節(jié)。本書主要內(nèi)容人工智能入門知識與開發(fā)工具GAN的理論與實踐DCGAN、WGAN、cGAN等主流GAN衍生模型文本到圖像、圖像到圖像以及離散數(shù)據(jù)的生成方法GAN與強化學習的關聯(lián)BigGAN、StyleGAN等前沿GAN模型多媒體與藝術設計領域中的GAN應用

作者簡介

　　史丹青同濟大學博士研究生，專業(yè)方向為人工智能與數(shù)據(jù)設計，在計算機會議上發(fā)表多篇智能生成相關論文。曾擔任語憶科技聯(lián)合創(chuàng)始人兼技術負責人，擁有多年人工智能領域創(chuàng)業(yè)與實戰(zhàn)經(jīng)驗，具備深度學習、自然語言處理以及數(shù)據(jù)可視化等相關知識與技能。他是人工智能技術的愛好者，喜歡擁抱一切新興科技，并始終堅信技術分享和開源精神的力量。

圖書目錄

第 1 章人工智能入門 1
1.1 人工智能的歷史以及發(fā)展 1
1.1.1 人工智能的誕生 3
1.1.2 人工智能的兩起兩落 6
1.1.3 新時代的人工智能 8
1.2 機器學習與深度學習 10
1.2.1 機器學習分類 11
1.2.2 神經(jīng)網(wǎng)絡與深度學習 12
1.2.3 深度學習的應用 13
1.3 了解生成對抗網(wǎng)絡 15
1.3.1 從機器感知到機器創(chuàng)造 15
1.3.2 什么是生成對抗網(wǎng)絡 18
1.4 本章小結 20
第 2 章預備知識與開發(fā)工具 21
2.1 Python 語言與開發(fā)框架 21
2.1.1 Python 語言 21
2.1.2 常用工具簡介 23
2.1.3 第三方框架簡介 26
2.2 TensorFlow 基礎入門 27
2.2.1 TensorFlow 簡介與安裝 27
2.2.2 TensorFlow 實例：圖像分類 30
2.3 Keras 基礎入門 32
2.3.1 Keras 簡介與安裝 32
2.3.2 Keras 使用入門 34
2.3.3 Keras 實例：文本情感分析 37
2.4 本章小結 39
第 3 章理解生成對抗網(wǎng)絡 40
3.1 生成模型 40
3.1.1 生成模型簡介 40
3.1.2 自動編碼器 42
3.1.3 變分自動編碼器 44
3.2 GAN 的數(shù)學原理 47
3.2.1 似然估計 47
3.2.2 GAN 的數(shù)學推導 50
3.3 GAN 的可視化理解 54
3.4 GAN 的工程實踐 55
3.5 本章小結 63
第 4 章深度卷積生成對抗網(wǎng)絡 64
4.1 DCGAN 的框架 64
4.1.1 DCGAN 設計規(guī)則 64
4.1.2 DCGAN 框架結構 68
4.2 DCGAN 的工程實踐 69
4.3 DCGAN 的實驗性應用 77
4.3.1 生成圖像的變換 77
4.3.2 生成圖像的算術運算 79
4.3.3 殘缺圖像的補全 81
4.4 本章小結 83
第 5 章 Wasserstein GAN 84
5.1 GAN 的優(yōu)化問題 84
5.2 WGAN 的理論研究 88
5.3 WGAN 的工程實踐 91
5.4 WGAN 的實驗效果分析 95
5.4.1 代價函數(shù)與生成質量的相關性 95
5.4.2 生成網(wǎng)絡的穩(wěn)定性 96
5.4.3 模式崩潰問題 99
5.5 WGAN 的改進方案：WGAN-GP 99
5.6 本章小結 103
第 6 章不同結構的 GAN 104
6.1 GAN 與監(jiān)督式學習 104
6.1.1 條件式生成：cGAN 104
6.1.2 cGAN 在圖像上的應用 106
6.2 GAN 與半監(jiān)督式學習 109
6.2.1 半監(jiān)督式生成：SGAN 109
6.2.2 輔助分類生成：ACGAN 111
6.3 GAN 與無監(jiān)督式學習 112
6.3.1 無監(jiān)督式學習與可解釋型特征 112
6.3.2 理解 InfoGAN 114
6.4 本章小結 119
第 7 章文本到圖像的生成 120
7.1 文本條件式生成對抗網(wǎng)絡 120
7.2 文本生成圖像進階：GAWWN 124
7.3 文本到高質量圖像的生成 127
7.3.1 層級式圖像生成：StackGAN 128
7.3.2 層級式圖像生成的優(yōu)化：StackGAN-v2 133
7.4 本章小結 135
第 8 章圖像到圖像的生成 136
8.1 可交互圖像轉換：iGAN 136
8.1.1 可交互圖像轉換的用途 136
8.1.2 iGAN 的實現(xiàn)方法 138
8.1.3 iGAN 軟件簡介與使用方法 141
8.2 匹配數(shù)據(jù)圖像轉換：Pix2Pix 144
8.2.1 理解匹配數(shù)據(jù)的圖像轉換 144
8.2.2 Pix2Pix 的理論基礎 146
8.2.3 Pix2Pix 的應用實踐 150
8.3 非匹配數(shù)據(jù)圖像轉換：CycleGAN 157
8.3.1 理解非匹配數(shù)據(jù)的圖像轉換 157
8.3.2 CycleGAN 的理論基礎 162
8.3.3 CycleGAN 的應用實踐 165
8.4 多領域圖像轉換：StarGAN 171
8.4.1 多領域的圖像轉換問題 171
8.4.2 StarGAN 的理論基礎 174
8.4.3 StarGAN 的應用實踐 177
8.5 本章小結 182
第 9 章序列數(shù)據(jù)的生成 183
9.1 序列生成的問題 183
9.2 GAN 的序列生成方法 184
9.3 自然語言生成 187
9.4 本章小結 191
第 10 章 GAN 與強化學習及逆向強化學習 192
10.1 GAN 與強化學習 192
10.1.1 強化學習基礎 192
10.1.2 Actor-Critic 195
10.1.3 GAN 與強化學習的關聯(lián) 196
10.2 GAN 與逆向強化學習 197
10.2.1 逆向強化學習基礎 197
10.2.2 經(jīng)典 IRL 算法 198
10.2.3 GAN 的模仿學習：GAIL 200
10.3 本章小結 201
第 11 章新一代 GAN 202
11.1 GAN 的評估方法 202
11.2 GAN 的進化 205
11.2.1 SNGAN 與 SAGAN 205
11.2.2 BigGAN 206
11.2.3 StyleGAN 208
11.3 本章小結 210
第 12 章 GAN 的應用與發(fā)展 211
12.1 多媒體領域的應用 211
12.1.1 圖像處理 211
12.1.2 音頻合成 218
12.2 藝術領域的應用 221
12.2.1 AI 能否創(chuàng)造藝術 221
12.2.2 AI 與計算機藝術的發(fā)展 223
12.2.3 藝術生成網(wǎng)絡：從藝術模仿到創(chuàng)意生成 231
12.3 設計領域的應用 238
12.3.1 AI 時代的設計 238
12.3.2 AI 輔助式設計的研究 240
12.4 安全領域的應用 249
12.5 本章小結 252
參考文獻 253