《生成对抗网络入门指南（第2版）》参考代码

生成对抗网络毫无疑问是当今热门的人工智能技术之一，曾被美国《麻省理工科技评论》评选为“全球十大突破性技术”。

《生成对抗网络入门指南》是一本结合基础理论与工程实践的入门型书籍，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。本书面向机器学习从业人员、在校相关专业学生以及具备一定基础的人工智能领域爱好者。通过本书的学习，能够了解生成对抗网络的技术原理，并通过书中的代码实例深入技术细节。本书共分12个章节，其中前半部分分别介绍了目前研究领域已经较为成熟的生成对抗网络模型，比如DCGAN、WGAN等等，以及大量不同结构的生成对抗网络变种。本书后半部分介绍了文本到图像的生成、图像到图像的生成、离散数据的生成以及当前前沿的高质量生成技术，结尾总结了目前生成对抗网络在行业应用中的研究与发展。希望本书能够帮助广大读者跟上新技术的前沿，成为人工智能时代的先行者。

目录

• 第 1 章 人工智能入门 1
• 1.1 人工智能的历史以及发展1
• 1.1.1 人工智能的诞生 3
• 1.1.2 人工智能的两起两落 6
• 1.1.3 新时代的人工智能8
• 1.2 机器学习与深度学习10
• 1.2.1 机器学习分类 11
• 1.2.2 神经网络与深度学习 12
• 1.2.3 深度学习的应用 13
• 1.3 了解生成对抗网络 15
• 1.3.1 从机器感知到机器创造15
• 1.3.2 什么是生成对抗网络 18
• 1.4 本章小结20
• 第 2 章 预备知识与开发工具21
• 2.1 Python 语言与开发框架 21
• 2.1.1 Python 语言21
• 2.1.2 常用工具简介 23
• 2.1.3 第三方框架简介 26
• 2.2 TensorFlow 基础入门 27
• 2.2.1 TensorFlow 简介与安装 27
• 2.2.2 TensorFlow 实例：图像分类 30
• 2.3 Keras 基础入门 32
• 2.3.1 Keras 简介与安装32
• 2.3.2 Keras 使用入门 34
• 2.3.3 Keras 实例：文本情感分析 37
• 2.4 本章小结39
• 第 3 章 理解生成对抗网络 40
• 3.1 生成模型40
• 3.1.1 生成模型简介 40
• 3.1.2 自动编码器42
• 3.1.3 变分自动编码器 44
• 3.2 GAN 的数学原理 47
• 3.2.1 最大似然估计 47
• 3.2.2 GAN 的数学推导 50
• 3.3 GAN 的可视化理解 54
• 3.4 GAN 的工程实践 55
• 3.5 本章小结63
• 第 4 章 深度卷积生成对抗网络 64
• 4.1 DCGAN 的框架64
• 4.1.1 DCGAN 设计规则 64
• 4.1.2 DCGAN 框架结构 68
• 4.2 DCGAN 的工程实践 69
• 4.3 DCGAN 的实验性应用77
• 4.3.1 生成图像的变换 77
• 4.3.2 生成图像的算术运算 79
• 4.3.3 残缺图像的补全 81
• 4.4 本章小结83
• 第 5 章 Wasserstein GAN 84
• 5.1 GAN 的优化问题 84
• 5.2 WGAN 的理论研究88
• 5.3 WGAN 的工程实践91
• 5.4 WGAN 的实验效果分析 95
• 5.4.1 代价函数与生成质量的相关性 95
• 5.4.2 生成网络的稳定性96
• 5.4.3 模式崩溃问题 99
• 5.5 WGAN 的改进方案：WGAN-GP 99
• 5.6 本章小结103
• 第 6 章 不同结构的 GAN104
• 6.1 GAN 与监督式学习 104
• 6.1.1 条件式生成：cGAN104
• 6.1.2 cGAN 在图像上的应用 106
• 6.2 GAN 与半监督式学习109
• 6.2.1 半监督式生成：SGAN 109
• 6.2.2 辅助分类生成：ACGAN 111
• 6.3 GAN 与无监督式学习112
• 6.3.1 无监督式学习与可解释型特征 112
• 6.3.2 理解 InfoGAN 114
• 6.4 本章小结119
• 第 7 章 文本到图像的生成 120
• 7.1 文本条件式生成对抗网络120
• 7.2 文本生成图像进阶：GAWWN 124
• 7.3 文本到高质量图像的生成127
• 7.3.1 层级式图像生成：StackGAN 128
• 7.3.2 层级式图像生成的优化：StackGAN-v2 133
• 7.4 本章小结135
• 第 8 章 图像到图像的生成 136
• 8.1 可交互图像转换：iGAN 136
• 8.1.1 可交互图像转换的用途136
• 8.1.2 iGAN 的实现方法 138
• 8.1.3 iGAN 软件简介与使用方法141
• 8.2 匹配数据图像转换：Pix2Pix144
• 8.2.1 理解匹配数据的图像转换 144
• 8.2.2 Pix2Pix 的理论基础 146
• 8.2.3 Pix2Pix 的应用实践 150
• 8.3 非匹配数据图像转换：CycleGAN 157
• 8.3.1 理解非匹配数据的图像转换 157
• 8.3.2 CycleGAN 的理论基础 162
• 8.3.3 CycleGAN 的应用实践 165
• 8.4 多领域图像转换：StarGAN 171
• 8.4.1 多领域的图像转换问题171
• 8.4.2 StarGAN 的理论基础 174
• 8.4.3 StarGAN 的应用实践 177
• 8.5 本章小结182
• 第 9 章 序列数据的生成183
• 9.1 序列生成的问题 183
• 9.2 GAN 的序列生成方法184
• 9.3 自然语言生成187
• 9.4 本章小结191
• 第 10 章 GAN 与强化学习及逆向强化学习 192
• 10.1 GAN 与强化学习192
• 10.1.1 强化学习基础192
• 10.1.2 Actor-Critic195
• 10.1.3 GAN 与强化学习的关联 196
• 10.2 GAN 与逆向强化学习 197
• 10.2.1 逆向强化学习基础 197
• 10.2.2 经典 IRL 算法 198
• 10.2.3 GAN 的模仿学习：GAIL 200
• 10.3 本章小结 201
• 第 11 章 新一代 GAN202
• 11.1 GAN 的评估方法202
• 11.2 GAN 的进化 205
• 11.2.1 SNGAN 与 SAGAN 205
• 11.2.2 BigGAN 206
• 11.2.3 StyleGAN 208
• 11.3 本章小结 210
• 第 12 章 GAN 的应用与发展 211
• 12.1 多媒体领域的应用 211
• 12.1.1 图像处理 211
• 12.1.2 音频合成 218
• 12.2 艺术领域的应用221
• 12.2.1 AI 能否创造艺术221
• 12.2.2 AI 与计算机艺术的发展 223
• 12.2.3 艺术生成网络：从艺术模仿到创意生成 231
• 12.3 设计领域的应用238
• 12.3.1 AI 时代的设计 238
• 12.3.2 AI 辅助式设计的研究240
• 12.4 安全领域的应用249
• 12.5 本章小结 252
• 参考文献 253