GAN：实战生成对抗网络 PDF 超清扫描版

GAN：实战生成对抗网络 电子书封面

读者评价

不到150页的，浓缩的才是精华。信息量特别多，每个字都需要细看，绝无废话。
原理介绍的不清晰， 贴几个公式就完事了，可能只是转载和翻译下原来的论文；代码也是采用python2.7。

内容介绍

本书介绍深度学习领域一个十分活跃的分支——生成对抗网络（GAN）。书中覆盖了深度学习的基础、对抗网络背后的原理以及构建方式等内容。同时本书还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法，旨在帮助读者在真正的生产环境中使用生成对抗网络。本书适合数据科学家、算法工程师、数据挖掘工程师以及其他机器学习领域相关的从业人员，以帮助他们在工作中应用生成对抗模型；也适合机器学习和深度学习的爱好者、初学者来了解深度学习领域的新魔力。

目录

• 1　深度学习概述 1
• 1.1　深度学习的演化 1
• 1.1.1　sigmoid激发 3
• 1.1.2　修正线性单元（ReLU） 3
• 1.1.3　指数线性单元（ELU） 4
• 1.1.4　随机梯度下降（SGD） 5
• 1.1.5　学习速率调优 6
• 1.1.6　正则化 7
• 1.1.7　权重分享以及池化 8
• 1.1.8　局部感受野 10
• 1.1.9　卷积网络（ConvNet） 11
• 1.2　逆卷积/转置卷积 13
• 1.2.1　递归神经网络和LSTM 13
• 1.2.2　深度神经网络 14
• 1.2.3　判别模型和生成模型的对比 16
• 1.3　总结 16
• 2　无监督学习GAN 17
• 2.1　利用深度神经网络自动化人类任务 17
• 2.1.1　GAN的目的 18
• 2.1.2　现实世界的一个比喻 19
• 2.1.3　GAN的组成 20
• 2.2　GAN的实现 22
• 2.2.1　GAN的应用 25
• 2.2.2　在Keras上利用DCGAN实现图像生成 26
• 2.2.3　利用TensorFlow实现SSGAN 29
• 2.3　GAN模型的挑战 38
• 2.3.1　启动及初始化的问题 38
• 2.3.2　模型坍塌 38
• 2.3.3　计数方面的问题 39
• 2.3.4　角度方面的问题 39
• 2.3.5　全局结构方面的问题 40
• 2.4　提升GAN训练效果的方法 41
• 2.4.1　特征匹配 41
• 2.4.2　小批量 42
• 2.4.3　历史平均 42
• 2.4.4　单侧标签平滑 42
• 2.4.5　输入规范化 42
• 2.4.6　批规范化 42
• 2.4.7　利用ReLU和MaxPool避免稀疏梯度 43
• 2.4.8　优化器和噪声 43
• 2.4.9　不要仅根据统计信息平衡损失 43
• 2.5　总结 43
• 3　图像风格跨域转换 45
• 3.1　弥补监督学习和无监督学习之间的空隙 45
• 3.2　条件GAN介绍 46
• 3.2.1　利用CGAN生成时尚衣柜 47
• 3.2.2　利用边界均衡固化GAN训练 51
• 3.3　BEGAN的训练过程 52
• 3.3.1　BEGAN的架构 52
• 3.3.2　利用TensorFlow实现BEGAN 53
• 3.4　利用CycleGAN实现图像风格的转换 57
• 3.4.1　CycleGAN的模型公式 58
• 3.4.2　利用TensorFlow将苹果变成橘子 58
• 3.4.3　利用CycleGAN将马变为斑马 61
• 3.5　总结 63
• 4　从文本构建逼真的图像 65
• 4.1　StackGAN介绍 65
• 4.1.1　条件强化 66
• 4.1.2　StackGAN的架构细节 68
• 4.1.3　利用TensorFlow从文本生成图像 69
• 4.2　利用DiscoGAN探索跨域的关系 72
• 4.2.1　DiscoGAN架构以及模型公式 73
• 4.2.2　DiscoGAN的实现 75
• 4.3　利用PyTorch从边框生成手提包 78
• 4.4　利用PyTorch进行性别转换 80
• 4.5　DiscoGAN和CycleGAN的对比 82
• 4.6　总结 82
• 5　利用多种生成模型生成图像 83
• 5.1　迁移学习介绍 84
• 5.1.1　迁移学习的目的 84
• 5.1.2　多种利用预训练模型的方法 85
• 5.1.3　利用Keras对车、猫、狗和花进行分类 86
• 5.2　利用Apache Spark进行大规模深度学习 90
• 5.2.1　利用Spark深度学习模块运行预训练模型 91
• 5.2.2　利用BigDL运行大规模手写数字识别 94
• 5.2.3　利用SRGAN生成高清晰度图像 98
• 5.2.4　SRGAN的架构 99
• 5.3　利用DeepDream生成梦幻的艺术图像 105
• 5.4　在TensorFlow上利用VAE生成手写数字 107
• 5.5　VAE在真实世界的比喻 108
• 5.6　GAN和VAE两个生成模型的比较 111
• 5.7　总结 111
• 6　将机器学习带入生产环境 113
• 6.1　利用DCGAN构建一个图像矫正系统 113
• 6.1.1　构建图像矫正系统的步骤 115
• 6.1.2　在生产环境部署模型的挑战 117
• 6.2　利用容器的微服务架构 118
• 6.2.1　单体架构的缺陷 118
• 6.2.2　微服务架构的优点 118
• 6.2.3　使用容器的优点 119
• 6.3　部署深度模型的多种方法 120
• 6.3.1　方法1——离线建模和基于微服务的容器化部署 120
• 6.3.2　方法2——离线建模和无服务器部署 121
• 6.3.3　方法3——在线学习 121
• 6.3.4　方法4——利用托管机器学习服务 121
• 6.4　在Docker上运行基于Keras的深度模型 121
• 6.5　在GKE上部署深度模型 124
• 6.6　利用AWS Lambda和Polly进行无服务器的图像识别并生成音频 127
• 6.6.1　修改Lambda环境下代码和包的步骤 137
• 6.6.2　利用云托管服务进行人脸识别 138
• 6.7　总结 145