【假一罚四】GAN生成对抗神经网络原理与实践李明军
集团直发，全新正版书籍，假一罚四，放心选购。24小时内发货。
￥ 56.6 7.2折 ￥ 79 全新
库存2件
作者李明军
出版社北京大学出版社
ISBN9787301321164
出版时间2021-05
装帧平装
开本16开
定价79元
货号31163046
上书时间2024-10-27
- 最新上架
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
李明军，数据挖掘与人工智能专家，在大数据分析与挖掘、机器学习、人工智能等领域实战经验丰富。华北理工，曾就职于Teradata、中国惠普、神州泰岳和亿阳信通，现工作于东方国信。在知乎著有多个专栏：计算机视觉、生成对抗网络、强化学习等。著有《TensorFlow深度学习实战大全》。
目录
第1章 生成对抗神经网络综述 1
1.1 什么是生成对抗神经网络？ 2
1.2 为什么要学习GAN？ 5
1.3 应用场景 9
1.4 技术难点 18
1.5 潜在空间的处理 22
1.6 第一个GAN实战 27
第2章 TensorFlow 2.0安装 39
2.1 通过Docker安装 40
2.2 通过conda安装 41
第3章 神经网络原理 43
3.1 应用场景简介 44
3.2 深层神经网络简介 46
3.3 卷积神经网络简介 53
3.4 反卷积神经网络简介 61
第4章 TensorFlow 2.0开发入门 65
4.1 开发环境 66
4.2 张量 68
4.3 Keras开发概览 72
4.4 使用函数接口开发 87
4.5 网络层 99
4.6 激活函数 104
4.7 损失函数 108
4.8 优化器 110
第5章 常用数据集 112
5.1 MNIST 113
5.2 Fashion-MNIST 115
5.3 CIFAR-10 118
5.4 CIFAR-100 120
第6章 DCGAN 123
6.1 DCGAN概述 124
6.2 批量标准化 124
6.3 使用多种激活函数 125
6.4 在MNIST数据集上的实现 126
6.5 在LSUN数据集上的实现 139
第7章 CGAN 148
7.1 CGAN概述 149
7.2 在MNIST数据集上的实现 153
第8章 InfoGAN 179
8.1 技术原理 180
8.2 模型实现技巧 183
8.3 在MNIST数据集上的实现 185
8.4 在Fashion MNIST数据集上
的实现 201
第9章 SGAN 204
9.1 技术原理 205
9.2 模型训练 207
9.3 SGAN在MNIST数据集上的
实现 210
9.4 SGAN在CIFAR数据集上的
实现 242
第10章 CycleGAN 267
10.1 CycleGAN简介 268
10.2 技术原理 268
10.3 技术实现 270
内容摘要
生成对抗神经网络（GenerativeAdversarialNets，GAN）作为一种深度学习框架，发展十分迅猛。通过相互对抗的神经网络模型，GAN能够生成结构复杂且十分逼真的高维度数据。因此，GAN被广泛地应用在学术研究和工程领域，包括图像处理，如图像生成、图像转换、视频合成等；序列数据生成，如语音生成、音乐生成等；以及其他众多领域，如迁移学习、医学图像细分、隐写术、持续学习（深度学习重放）等。
GAN的技术较为复杂，细分领域众多，因此需要有一个高效率的学习方法。首先，需要了解GAN的全景，对GAN的发展脉络和各个细分领域都有所了解。这样，当我们面对各种各样的应用场景时，才能够做到胸有成竹。其次，掌握生成对抗的基本原理，以及实现生成对抗的关键技术。这样，当我们面对在GAN领域出现的各种新理念、新技术时，才能够追本溯源，从容应对。最后，针对自己感兴趣的GAN进行深入地研究。本书正是这样组织的，让有志于学习研究GAN的人能够快速入门并掌握GAN的关键技术。
主编推荐
1.概览全景：首先，本书对GAN进行全景式的介绍，让读者能够了解GAN的技术起源、在应用领域的发展演变过程、在技术上面临的主要挑战，以及解决这些挑战的思路和对策。
2. 详解原理：其次，本书详细介绍了GAN的基本原理，即通过生成模型（Generative Model，G）和判别模型（Discriminative Model，D）的相互对抗，最终实现生成模型具备生成足够逼真的高维度数据（如图像或音乐）的能力。
3. 案例丰富：最后，本书介绍了几种常用的、有代表性的GAN模型实战，包括原始的GAN、DCGAN（基于深层卷积网络的GAN）、CGAN（有条件约束的GAN）、InfoGAN（自动捕获图像中关键特征的GAN）、SGAN（多层堆叠的GAN）、CycleGAN（循环一致的GAN）等。这些GAN模型涵盖了GAN在发展演变过程中各个阶段面临的挑战与对策，可让读者掌握各种各样的GAN的关键原理和实战代码。
— 没有更多了 —
以下为对购买帮助不大的评价