生成对抗网络入门指南

图书标准信息

• 作者 史丹青
• 出版社 机械工业出版社
• 出版时间 2018-11
• 版次 1
• ISBN 9787111610045
• 定价 69.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

本书是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。
  本书主要内容：
  l人工智能入门知识与开发工具
  lGAN的理论与实践
  lDCGAN，WGAN，cGAN等主流GAN衍生模型的介绍
  l文本到图像的生成与图像到图像的生成
  多媒体与艺术设计领域中的GAN应用

【作者简介】

史丹青,语忆科技联合创始人兼技术负责人，毕业于同济大学电子信息工程系。拥有多年时间的AI领域创业与实战经验，具备深度学习、自然语言处理以及数据可视化等相关知识与技能。是AI技术的爱好者，并拥抱一切新兴科技，始终坚信技术分享和开源精神的力量。

【目录】

前言

第1章　人工智能入门  1

1.1　人工智能的历史与发展  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  7

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  19

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使用入门  30

2.2.3　Tensorflow实例：图像分类  31

2.3　Keras基础入门  33

2.3.1　Keras简介与安装  33

2.3.2　Keras使用入门  34

2.3.3　Keras实例：文本情感分析  36

2.4　Floyd：使用深度学习云平台运行程序  38

2.4.1　深度学习云平台简介  38

2.4.2　Floyd使用入门  39

2.4.3　Floyd实例：神经网络风格转换  43

2.5　本章小结  45

第3章　理解生成对抗网络  46

3.1　生成模型  46

3.1.1　生成模型简介  46

3.1.2　自动编码器  47

3.1.3　变分自动编码器  50

3.2　GAN的数学原理  52

3.2.1　最大似然估计  52

3.2.2　生成对抗网络的数学推导  55

3.3　GAN的可视化理解  58

3.4　GAN的工程实践  59

3.5　本章小结  67

第4章　深度卷积生成对抗网络  68

4.1　DCGAN的框架  68

4.1.1　DCGAN设计规则  68

4.1.2　DCGAN框架结构  72

4.2　DCGAN的工程实践  73

4.3　DCGAN的实验性应用  79

4.3.1　生成图像的变换  79

4.3.2　生成图像的算术运算  81

4.3.3　残缺图像的补全  83

4.4　本章小结  85

第5章　Wasserstein GAN  86

5.1　GAN的优化问题  86

5.2　WGAN的理论研究  89

5.3　WGAN的工程实践  92

5.4　WGAN的实验效果分析  96

5.4.1　代价函数与生成质量的相关性  96

5.4.2　生成网络的稳定性  97

5.4.3　模式崩溃问题  99

5.5　WGAN的改进方案：WGAN-GP  100

5.6　本章小结  104

第6章　不同结构的GAN  105

6.1　GAN与监督式学习  105

6.1.1　条件式生成：cGAN  105

6.1.2　cGAN在图像上的应用  106

6.2　GAN与半监督式学习  110

6.2.1　半监督式生成：SGAN  110

6.2.2　辅助分类生成：ACGAN  112

6.3　GAN与无监督式学习  113

6.3.1　无监督式学习与可解释型特征  113

6.3.2　理解InfoGAN  115

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  123

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  132

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  140

8.2　匹配数据图像转换：Pix2Pix  143

8.2.1　理解匹配数据的图像转换  143

8.2.2　Pix2Pix的理论基础  145

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  160

8.3.3　CycleGAN的应用实践  162

8.4　多领域图像转换：StarGAN  166

8.4.1　多领域的图像转换问题  166

8.4.2　StarGAN的理论基础  169

8.4.3　StarGAN的应用实践  171

8.5　本章小结  177

第9章　GAN的应用：从多媒体到艺术设计  178

9.1　GAN在多媒体领域的应用  178

9.1.1　图像去模糊  178

9.1.2　人脸生成  181

9.1.3　音频合成  184

9.2　GAN与AI艺术  188

9.2.1　AI能否创造艺术  188

9.2.2　AI与计算机艺术的发展  190

9.2.3　艺术生成网络：从艺术模仿到创意生成  196

9.3　GAN与AI设计  202

9.3.1　AI时代的设计  202

9.3.2　AI辅助式设计的研究  205

9.4　本章小结  212

第10章　GAN研究热点  213

10.1　评估与优化  213

10.2　对抗攻击  216

10.3　发展中的GAN  219

参考文献  222