PyTorch 生成對抗網絡編程
Tariq Rashid 韓江雷
- 出版商: 人民郵電
- 出版日期: 2020-12-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- 頁數: 206
- 裝訂: 平裝
- ISBN: 711554638X
- ISBN-13: 9787115546388
-
相關分類:
DeepLearning
- 此書翻譯自: Make Your First GAN With PyTorch
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$658多核與 GPU 編程：工具、方法及實踐 -
$556百面機器學習 : 算法工程師帶你去面試 -
Deep learning 深度學習必讀 - Keras 大神帶你用 Python 實作 (Deep Learning with Python)$1,000$790 -
$374深度學習原理與 PyTorch 實戰 -
$352生成對抗網絡項目實戰 (Generative Adversarial Networks Projects) -
強化學習(RL)：使用 PyTorch 徹底精通 (有些許瑕疵,不影響閱讀)$780$616 -
$505深入淺出 GAN 生成對抗網絡 : 原理剖析與 TensorFlow 實踐 -
$454集成學習：基礎與算法 -
$491PyTorch 深度學習實戰：從新手小白到數據科學家 -
$331PyTorch 深度學習入門與實戰 -
GAN 對抗式生成網路 (GANs in Action: Deep learning with Generative Adversarial Networks)$750$592 -
$403Python 無監督學習 (Hands-On Unsupervised Learning with Python) -
Python 機器學習超進化：AI影像辨識跨界應用實戰 (附100分鐘影像處理入門影音教學/範例程式)$450$356 -
QEMU/KVM 源碼解析與應用$1,008$958 -
$401用 Python 實現深度學習框架 -
$224深度學習：從入門到精通 (微課版) -
$505labuladong 的算法小抄 -
強化式學習：打造最強 AlphaZero 通用演算法$780$616 -
輕鬆學會 Google TensorFlow 2 人工智慧深度學習實作開發, 3/e$620$484 -
寫給程式設計師的深度學習｜使用 fastai 和 PyTorch (Deep Learning for Coders with fastai and PyTorch)$980$774 -
$505深入淺出 Embedding：原理解析與應用實踐 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
$236Python 深度學習實戰 — 基於 Pytorch -
$517深度學習 — 理論、方法與 PyTorch 實踐 -
PyTorch 深度學習模型開發實戰$708$673
相關主題
商品描述
生成對抗網絡（Generative Adversarial Network，GAN）
是神經網絡領域的新星，被譽為“機器學習領域近20年來最酷的想法”。
本書以直白、簡短的方式向讀者介紹了生成對抗網絡，並且教讀者如何使用PyTorch按部就班地編寫生成對抗網絡。
全書共3章和5個附錄，分別介紹了PyTorch基礎知識，用PyTorch開發神經網絡，改良神經網絡以提升效果，
引入CUDA和GPU以加速GAN訓練，以及生成高質量圖像的捲積GAN、條件式GAN等話題。
附錄部分介紹了在很多機器學習相關教程中被忽略的主題，包括計算平衡GAN的理想損失值、概率分佈和採樣，
以及捲積如何工作，還簡單解釋了為什麽梯度下降不適用於對抗式機器學習。
本書適合想初步瞭解GAN以及其工作原理的讀者,也適合想要學習如何構建GAN的機器學習從業人員。
對於正在學習機器學習相關課程的學生，本書可以幫助讀者快速入門，為後續的學習打好基礎。
作者簡介
Tariq Rashid
擁有物理學學士學位，機器學習和數據挖掘專家。
他常年活躍於倫敦的技術圈子，領導並組織倫敦Python聚會小組（近3000名成員）。
譯者簡介：
韓江雷
新加坡南洋理工大學計算機專業博士，思愛普公司（新加坡）數據科學家。
他的研究興趣有自然語言處理，文本數據分析，數據挖掘等項目的落地及運維。
目錄大綱
第1章PyTorch和神經網絡001
1.1 PyTorch入門001
1.2初試PyTorch神經網絡018
1.3改良方法043
1.4 CUDA基礎知識054
第2章GAN初步064
2.1 GAN的概念064
2.2生成1010格式規則072
2.3生成手寫數字090
2.4生成人臉圖像117
第3章卷積GAN和條件式GAN 140
3.1卷積GAN 140
3.2條件式GAN 166
3.3結語176
附錄A理想的損失值178
A.1 MSE損失178
A.2 BCE損失179
附錄B GAN學習可能性186
B.1 GAN不會記憶訓練數據186
B.2簡單的例子187
B.3從一個概率分佈中生成圖像188
B.4為圖像特徵學習模仿組合189
B.5多模式以及模式崩潰190
附錄C卷積案例191
C.1例1：卷積，步長為1，無補全191
C.2例2：卷積，步長為2，無補全192
C.3例3：卷積，步長為2，有補全193
C.4例4：卷積，不完全覆蓋194
C.5例5：轉置卷積，步長為2，無補全194
C.6例6：轉置卷積，步長為1，無補全196
C.7例7：轉置卷積，步長為2，有補全197
C.8計算輸出大小197
附錄D不穩定學習199
D.1梯度下降是否適用於訓練GAN 199
D.2簡單的對抗案例199
D.3梯度下降並不適合對抗博弈203
D.4為什麼是圓形軌跡204
附錄E相關數據集和軟件205
E.1 MNIST數據集205
E.2 CelebA數據集205
E.3英偉達和谷歌206
E.4開源軟件206
