《深入浅出GAN生成对抗网络 原理剖析与TensorFlow实践》PDF电子书免费下载

作者:  廖茂文 潘志宏

出版社: 人民邮电出版社

出版年: 2020年06月

ISBN: 9787115517951

~~滚到底部有网盘下载链接~~

内容简介

目录

第 1 章 优雅Python 1

1.1 Anaconda 1

1.2 Python 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

1.3 Python 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TensorPy 71

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

3.4 TensorFlow 简介 89

3.4.1 TensorFlow 安装与介绍 89

3.4.2 TensorFlow 基本概念 90

3.4.3 TensorFlow 实现多层感知器 91

3.4.4 TensorBoard 可视化 93

3.4.5 TensorFlow 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GAN 101

4.1.2 GAN 使用范围 103

4.2 GAN 基本原理 104

4.2.1 GAN 模型详情 104

4.2.2 对抗的本质 106

4.3 TensorFlow 实现朴素GAN 108

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GAN 121

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 似然估计 123

5.1.2 似然估计拟合分布 125

5.1.3 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

5.2.3 GAN 的数学推导 129

5.2.4 GAN 的本质 131

5.3 统一框架F-GAN 134

5.3.1 f 散度 134

5.3.2 凸共轭 137

5.3.3 f 散度与GAN 之间的关系 138

5.4 GAN 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

6.1.2 CNN 识别图像过程 147

6.1.3 CNN 核心概念 151

6.2 TensorFlow 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

6.2.3 Dropout 操作 161

6.2.4 DCGAN:CNN 与GAN

有机结合 162

6.2.5 Batch Normalization 164

6.3 TensorFlow 实现DCGAN 网络 166

6.3.1 TensorFlow 实现DCGAN 的生成器 .167

6.3.2 TensorFlow 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DCGAN 173

6.3.6 RussellCould 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

7.2.1 GAN 详解 192

7.2.2 CGAN 训练流程 193

7.3 ColorGAN 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

7.3.3 ColorGAN 训练学习 200

7.3.4 ColorGAN 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

7.4.2 fashion-mnist 数据集 210

7.4.3 FashionCGAN 判别器和生成器 211

7.4.4 训练FashionCGAN 213

7.5 实现句子转图像 215

7.5.1 word2vec 技术 215

7.5.2 RNN、LSTM 与GRU 218

7.5.3 Skip-Thought Vector 223

7.5.4 实现Skip-Thought 226

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

8.2 CycleGAN 240

8.2.1 CycleGAN 的架构与目标函数 241

8.2.2 CycleGAN 做的改变 243

8.2.3 TensorFlow 实现CycleGAN生成器与判别器 251

8.2.4 TensorFlow 搭建与训练CycleGAN 254

8.2.5 效果展示 258

8.3 StarGAN 262

8.3.1 StarGAN 的结构与目标函数 262

8.3.2 TensorFlow 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

8.4.1 Domain Transfer Network介绍 276

8.4.2 DTN 代码结构 278

8.4.3 XGAN 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

9.2 Wasserstein GAN 295

9.2.1 EM 距离 295

9.2.2 EM 距离使用在GAN 上 298

9.2.3 EM 距离与判别器的关系 299

9.2.4 TensorFlow 实现WGAN 302

9.3 Improved WGAN(WGAN-GP) 306

9.3.1 WGAN 存在的问题 306

9.3.2 gradient penalty 308

9.3.3 TensorFlow 实现WGAN-GP 310

9.4 SN-GAN 314

9.4.1 SN-GAN 介绍 314

9.4.2 Spectral Normalization方法与SN-GAN 315

9.4.3 TensorFlow 实现SNGAN 321

9.5 小结 326

第 10 章 渐近增强式生成对抗网络 327

10.1 堆叠式生成对抗网络StackGAN 327

10.1.1 StackGAN-v1 327

10.1.2 棋盘效应 330

10.1.3 StackGAN-v2 333

10.1.4 TensorFlow 实现StackGAN-v2 335

10.2 TensorFlow 数据处理 348

10.2.1 placeholder 读取数据 348

10.2.2 Queue 方式读取数据 348

10.2.3 tf.data 读取数据 353

10.3 渐近增长生成对抗网络PGGAN .

10.3.1 PGGAN 介绍 355

10.3.2 PGGAN 的改进点 356

10.3.3 TensorFlow 实现PGGAN 361

10.4 小结 369

第 11 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

11.2 InfoGAN 375

11.2.1 数据特征与互信息 376

11.2.2 InfoGAN 数学原理与模型结构 377

11.2.3 TensorFlow 实现InfoGAN 381

11.2.4 使用InfoGAN 生成图像 385

11.3 VAE-GAN 390

11.3.1 AutoEncoder 自编码器 390

11.3.2 变分自编码器 392

11.3.3 数学角度看VAE 394

11.3.4 TensorFlow 实现VAE 400

11.3.5 VAE 与GAN 的结合体VAE-GAN 405

11.3.6 TensorFlow 实现VAE-GAN 407

11.4 小结 414

第 12 章 GAN 在NLP 中的运用 415

12.1 GAN 在文本生成中遇到的境 415

12.2 GAN 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

12.2.2 Gumbel-softmax 420

12.3 强化学习简述 422

12.3.1 强化学习算法 423

12.3.2 Policy Gradient 424

12.3.3 GAN RL 作用于文本生成 428

12.3 SeqGAN 429

12.3.1 SeqGAN 结构与算法 429

12.3.2 Highway Network 432

12.3.3 SeqGAM 生成器与rollout结构的实现 434

12.3.4 SeqGAN 中目标LSTM 与判别器的实现 445

12.3.5 SeqGAN 中生成器与判别器预训练 453

12.3.6 SeqGAN 对抗训练 459

12.4 MaskGAN 461

12.4.1 MaskGAN 结构与算法 461

12.4.2 TensorFlow 实现MaskGAN 的生成器与判别器 465

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

12.4.4 TensorFlow 实现MaskGAN 的结构与训练逻辑 476

12.5 小结 480

显示部分信息

下载价格:免费
立即下载
登入/注册
知识就是力量
没有账号? 忘记密码?