PyTorch生成對(duì)抗網(wǎng)絡(luò)編程
定 價(jià):79 元
- 作者:[英] 塔里克·拉希德(Tariq Rashid) 著,韓江雷 譯
- 出版時(shí)間:2020/12/1
- ISBN:9787115546388
- 出 版 社:人民郵電出版社
- 中圖法分類:TP311.561
- 頁(yè)碼:206
- 紙張:膠版紙
- 版次:1
- 開(kāi)本:16開(kāi)
生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)是神經(jīng)網(wǎng)絡(luò)領(lǐng)域的新星,被譽(yù)為“機(jī)器學(xué)習(xí)領(lǐng)域近20年來(lái)最酷的想法”。
本書(shū)以直白、簡(jiǎn)短的方式向讀者介紹了生成對(duì)抗網(wǎng)絡(luò),并且教讀者如何使用PyTorch按部就班地編寫(xiě)生成對(duì)抗網(wǎng)絡(luò)。全書(shū)共3章和5個(gè)附錄,分別介紹了PyTorch基礎(chǔ)知識(shí),用PyTorch開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò),改良神經(jīng)網(wǎng)絡(luò)以提升效果,引入CUDA和GPU以加速GAN訓(xùn)練,以及生成高質(zhì)量圖像的卷積GAN、條件式GAN等話題。附錄部分介紹了在很多機(jī)器學(xué)習(xí)相關(guān)教程中被忽略的主題,包括計(jì)算平衡GAN的理想損失值、概率分布和采樣,以及卷積如何工作,還簡(jiǎn)單解釋了為什么梯度下降不適用于對(duì)抗式機(jī)器學(xué)習(xí)。
本書(shū)適合想初步了解GAN以及其工作原理的讀者,也適合想要學(xué)習(xí)如何構(gòu)建GAN的機(jī)器學(xué)習(xí)從業(yè)人員。對(duì)于正在學(xué)習(xí)機(jī)器學(xué)習(xí)相關(guān)課程的學(xué)生,本書(shū)可以幫助讀者快速入門,為后續(xù)的學(xué)習(xí)打好基礎(chǔ)。
1. 暢銷書(shū)《Python神經(jīng)網(wǎng)絡(luò)編程》作者**力作;
2. 本書(shū)以直白、簡(jiǎn)短的方式介紹了生成對(duì)抗網(wǎng)絡(luò),指導(dǎo)讀者按部就班地編寫(xiě)生成對(duì)抗網(wǎng)絡(luò);
3. 本書(shū)介紹了計(jì)算平衡GAN的理想損失值、卷積的工作原理等被很多機(jī)器學(xué)習(xí)相關(guān)教程忽略的主題,對(duì)訓(xùn)練GAN的主要挑戰(zhàn)進(jìn)行了討論,十分具有啟發(fā)性;
4. 全彩印刷,配套示例代碼,圖文并茂,易懂實(shí)用。
我很喜歡將這本書(shū)作為周日早晨的讀物。更讓我激動(dòng)的是,本書(shū)展示了實(shí)現(xiàn)各種示例的細(xì)節(jié)。我會(huì)向任何想開(kāi)始學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)的人推薦這本書(shū)。
--JV Amazon讀者
作者輕松友好的寫(xiě)作風(fēng)格讓人感覺(jué)他在和你一起旅行。當(dāng)我聽(tīng)說(shuō)作者要出版這本書(shū)時(shí),我迫不及待地想閱讀這本書(shū)。我很開(kāi)心,這本書(shū)和他的第一本書(shū)《Python神經(jīng)網(wǎng)絡(luò)編程》一樣容易閱讀和理解。你將再一次踏上一段輕松的旅程,我愿意向所有人推薦它。
--Mairiwr Amazon讀者
塔里克.拉希德(Tariq Rashid),擁有物理學(xué)學(xué)士學(xué)位、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘碩士學(xué)位。他常年活躍于倫敦的技術(shù)圈子,領(lǐng)導(dǎo)并組織倫敦Python聚會(huì)小組(近3000名成員)。
譯者簡(jiǎn)介:
韓江雷,新加坡南洋理工大學(xué)計(jì)算機(jī)專業(yè)博士,思愛(ài)普公司(新加坡)數(shù)據(jù)科學(xué)家。他的研究興趣有自然語(yǔ)言處理、文本數(shù)據(jù)分析、數(shù)據(jù)挖掘等項(xiàng)目的落地及運(yùn)維。
第 1 章 PyTorch和神經(jīng)網(wǎng)絡(luò) 001
1.1 PyTorch入門 001
1.2 初試PyTorch神經(jīng)網(wǎng)絡(luò) 018
1.3 改良方法 043
1.4 CUDA基礎(chǔ)知識(shí) 054
第 2 章 GAN初步 064
2.1 GAN的概念 064
2.2 生成1010格式規(guī)律 072
2.3 生成手寫(xiě)數(shù)字 090
2.4 生成人臉圖像 117
第 3 章 卷積GAN和條件式GAN 140
3.1 卷積GAN 140
3.2 條件式GAN 166
3.3 結(jié)語(yǔ) 176
附錄A 理想的損失值 178
A.1 MSE損失 178
A.2 BCE損失 179
附錄B GAN學(xué)習(xí)可能性 186
B.1 GAN不會(huì)記憶訓(xùn)練數(shù)據(jù) 186
B.2 簡(jiǎn)單的例子 187
B.3 從一個(gè)概率分布中生成圖像 188
B.4 為圖像特征學(xué)習(xí)像素組合 189
B.5 多模式以及模式崩潰 190
附錄C 卷積案例 191
C.1 例1: 卷積,步長(zhǎng)為1,無(wú)補(bǔ)全 191
C.2 例2: 卷積,步長(zhǎng)為2,無(wú)補(bǔ)全 192
C.3 例3: 卷積,步長(zhǎng)為2,有補(bǔ)全 193
C.4 例4: 卷積,不完全覆蓋 194
C.5 例5: 轉(zhuǎn)置卷積,步長(zhǎng)為2,無(wú)補(bǔ)全 194
C.6 例6: 轉(zhuǎn)置卷積,步長(zhǎng)為1,無(wú)補(bǔ)全 196
C.7 例7: 轉(zhuǎn)置卷積,步長(zhǎng)為2,有補(bǔ)全 197
C.8 計(jì)算輸出大小 197
附錄D 不穩(wěn)定學(xué)習(xí) 199
D.1 梯度下降是否適用于訓(xùn)練GAN 199
D.2 簡(jiǎn)單的對(duì)抗案例 199
D.3 梯度下降并不適合對(duì)抗博弈 203
D.4 為什么是圓形軌跡 204
附錄E 相關(guān)數(shù)據(jù)集和軟件 205
E.1 MNIST數(shù)據(jù)集 205
E.2 CelebA數(shù)據(jù)集 205
E.3 英偉達(dá)和谷歌 206
E.4 開(kāi)源軟件 206