消息 首页 搜索 举报
  • 深入浅出GAN生成对抗网络 原理剖析与TensorFlow实践
21年品牌 40万+商家 超1.5亿件商品

深入浅出GAN生成对抗网络 原理剖析与TensorFlow实践

全新正版 极速发货

￥ 61.13 6.2折 ￥ 99 全新

库存2件

广东广州
认证卖家担保交易快速发货售后保障

作者廖茂文,潘志宏

出版社人民邮电出版社

ISBN9787115517951

出版时间2020-06

装帧平装

开本16开

定价99元

货号1202077270

上书时间2024-08-06

谢岳书店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
目录
章优雅Python1

1.1Anaconda1

1.2Python基础4

1.2.1常用数据类型5

1.2.2流程控制7

1.2.3函数定义8

1.3Python进阶8

1.3.1生成式9

1.3.2可迭代对象与迭代器9

1.3.3生成器11

1.3.4装饰器11

1.4小结13

第2章优雅的数学14

2.1向量与矩阵14

2.1.1向量的概念14

2.1.2向量的基本运算15

2.1.3矩阵的概念17

2.1.4矩阵的运算19

2.2微积分24

2.2.1圆的面积24

2.2.2古典微积分25

2.2.3重建微积分28

2.2.4常用的公式29

2.2.5偏导数31

2.2.6方向导数31

2.2.7链式法则33

2.3概率论34

2.3.1随机变量34

2.3.2条件概率36

2.3.3贝叶斯定理38

2.3.4常见的概率分布39

2.4信息论41

2.4.1信息熵41

2.4.2条件熵43

2.4.3互信息43

2.4.4相对熵（KL散度）44

2.4.5交叉熵45

2.5小结46

第3章初识神经网络47

3.1什么是神经网络47

3.1.1神经网络的历史47

3.1.2神经网络的优势54

3.2神经网络中常见的概念55

3.2.1前向传播算法55

3.2.2损失函数57

3.2.3梯度下降算法58

3.2.4各种梯度下降算法63

3.2.5反向传播算法67

3.2.6过拟合与欠拟合70

3.3动手实现深度学习框架TensorPy71

3.3.1实现计算图71

3.3.2实现Session对象74

3.3.3实现感知器前向传播算法76

3.3.4实现对数损失79

3.3.5实现梯度下降算法与反向传播算法81

3.3.6实现多层感知器86

3.4TensorFlow简介89

3.4.1TensorFlow安装与介绍89

3.4.2TensorFlow基本概念90

3.4.3TensorFlow实现多层感知器91

3.4.4TensorBoard可视化93

3.4.5TensorFlow模型保存方法98

3.5小结99

第4章初识生成对抗网络101

4.1什么是生成对抗网络101

4.1.1什么是GAN101

4.1.2GAN使用范围103

4.2GAN基本原理104

4.2.1GAN模型详情104

4.2.2对抗的本质106

4.3TensorFlow实现朴素GAN108

4.3.1朴素GAN生成MNIST数据集108

4.3.2训练与效果展示114

4.4关于GAN的几个问题117

4.4.1为什么生成器G生成数据需要判别器D介入117

4.4.2为什么判别器D不自己生成数据120

4.4.3为什么选择GAN121

4.5小结122

第5章生成对抗网络的数学原理123

5.1拟合真实分布123

5.1.1优选似然估计123

5.1.2优选似然估计拟合分布125

5.1.3优选似然估计与KL散度的关系126

5.2生成对抗网络127

5.2.1生成器拟合分布127

5.2.2判别器计算分布的差异128

5.2.3GAN的数学推导129

5.2.4GAN的本质131

5.3统一框架F-GAN134

5.3.1f散度134

5.3.2凸共轭137

5.3.3f散度与GAN之间的关系138

5.4GAN训练过程可视化139

5.5小结144

第6章卷积生成对抗网络145

6.1初识卷积神经网络145

6.1.1什么是卷积神经网络145

6.1.2CNN识别图像过程147

6.1.3CNN核心概念151

6.2TensorFlow实现卷积网络154

6.2.1构建CNN计算图154

6.2.2训练CNN网络160

6.2.3Dropout操作161

6.2.4DCGAN：CNN与GAN有机结合162

6.2.5Batch Normalization164

6.3TensorFlow实现DCGAN网络166

6.3.1TensorFlow实现DCGAN的生成器.167

6.3.2TensorFlow实现DCGAN的判别器170

6.3.3获得测试样例171

6.3.4构建DCGAN整体172

6.3.5训练DCGAN173

6.3.6RussellCould使用179

6.3.7结果展示185

6.4小结189

第7章条件对抗生成网络190

7.1如何实现图像间风格转换190

7.1.1传统神经网络的缺陷190

7.1.2普通GAN的缺陷191

7.2条件对抗生成网络192

7.2.1GAN详解192

7.2.2CGAN训练流程193

7.3ColorGAN的实现194

7.3.1生成器与判别器的构建194

7.3.2图像数据预处理197

7.3.3ColorGAN训练学习200

7.3.4ColorGAN训练结果203

7.3.5图像转图像的讨论208

7.4实现文字转图像209

7.4.1独热向量209

7.4.2fashion-mnist数据集210

7.4.3FashionCGAN判别器和生成器211

7.4.4训练FashionCGAN213

7.5实现句子转图像215

7.5.1word2vec技术215

7.5.2RNN、LSTM与GRU218

7.5.3Skip-Thought Vector223

7.5.4实现Skip-Thought226

7.5.5实现句子转图像234

7.6小结237

第8章循环一致性238

8.1以无监督的方式实现风格转换238

8.2CycleGAN240

8.2.1CycleGAN的架构与目标函数241

8.2.2CycleGAN做的改变243

8.2.3TensorFlow实现CycleGAN生成器与判别器251

8.2.4TensorFlow搭建与训练CycleGAN254

8.2.5效果展示258

8.3StarGAN262

8.3.1StarGAN的结构与目标函数262

8.3.2TensorFlow构建StarGAN模型265

8.3.3构建StarGAN的损失268

8.3.4效果展示272

8.4语义样式不变的图像跨域转换275

8.4.1Domain Transfer Network介绍276

8.4.2DTN代码结构278

8.4.3XGAN介绍283

8.5小结287

第9章改进生成对抗网络289

9.1传统GAN存在的问题289

9.1.1梯度消失289

9.1.2模式崩溃293

9.2Wasserstein GAN295

9.2.1EM距离295

9.2.2EM距离使用在GAN上298

9.2.3EM距离与判别器的关系299

9.2.4TensorFlow实现WGAN302

9.3ImprovedWGAN（WGAN-GP）306

9.3.1WGAN存在的问题306

9.3.2gradient penalty308

9.3.3TensorFlow实现WGAN-GP310

9.4SN-GAN314

9.4.1SN-GAN介绍314

9.4.2Spectral Normalization方法与SN-GAN315

9.4.3TensorFlow实现SNGAN321

9.5小结326

0章渐近增强式生成对抗网络327

10.1堆叠式生成对抗网络StackGAN327

10.1.1StackGAN-v1327

10.1.2棋盘效应330

10.1.3StackGAN-v2333

10.1.4TensorFlow实现StackGAN-v2335

10.2TensorFlow数据处理348

10.2.1placeholder读取数据348

10.2.2Queue方式读取数据348

10.2.3tf.data读取数据353

10.3渐近增长生成对抗网络PGGAN355

10.3.1PGGAN介绍355

10.3.2PGGAN的改进点356

10.3.3TensorFlow实现PGGAN361

10.4小结369

1章GAN进行特征学习370

11.1近似推断370

11.1.1变分推断思想371

11.1.2平均场372

11.2InfoGAN375

11.2.1数据特征与互信息376

11.2.2InfoGAN数学原理与模型结构377

11.2.3TensorFlow实现InfoGAN381

11.2.4使用InfoGAN生成图像385

11.3VAE-GAN390

11.3.1AutoEncoder自编码器390

11.3.2变分自编码器392

11.3.3数学角度看VAE394

11.3.4TensorFlow实现VAE400

11.3.5VAE与GAN的结合体VAE-GAN405

11.3.6TensorFlow实现VAE-GAN407

11.4小结414

2章GAN在NLP中的运用415

12.1GAN在文本生成中遇到的境415

12.2GAN生成离散数据的方法418

12.2.1判别器直接获取生成器的输出418

12.2.2Gumbel-softmax420

12.3强化学习简述422

12.3.1强化学习算法423

12.3.2Policy Gradient424

12.3.3GAN+RL作用于文本生成428

12.4SeqGAN429

12.4.1SeqGAN结构与算法429

12.4.2Highway Network432

12.4.3SeqGAM生成器与rollout结构的实现434

12.4.4SeqGAN中目标LSTM与判别器的实现445

12.4.5SeqGAN中生成器与判别器预训练453

12.4.6SeqGAN对抗训练459

12.5MaskGAN461

12.5.1MaskGAN结构与算法461

12.5.2TensorFlow实现MaskGAN的生成器与判别器465

12.5.3TensorFlow实现MaskGAN的Actor-Critic与目标函数472

12.5.4TensorFlow实现MaskGAN的结构与训练逻辑476

12.6小结480

内容摘要
本书从Python基本语法入手，逐步介绍推荐的数学知识与神经网络的基本知识，并利用介绍的内容编写一个深度学习框架TensorPy，有了这些知识作为铺垫后，就开始介绍生成对抗网络(GAN)相关的内容。然后，本书使用比较简单的语言来描述GAN涉及的思想、模型与数学原理，接着便通过TensorFlow实现传统的GAN，并讨论为何一定需要生成器或判别器。接下来，重点介绍GAN各种常见的变体，包括卷积生成对抗网络、条件生成对抗网络、循环一致性、改进生成对抗网络、渐近增强式生成对抗网络等内容。本书从模型与数学的角度来理解GAN变体，希望通过数学符号表达出不同GAN变体的核心思想，适合人工智能、机器学习、计算机视觉相关专业的人员学习使用。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP