生成對抗網路項目實戰

《生成對抗網路項目實戰》是2020年人民郵電出版社出版的圖書，作者是[印] 凱拉什·阿伊瓦（Kailash Ahirwar）。

基本介紹

• 中文名：生成對抗網路項目實戰 
• 作者：[印] 凱拉什·阿伊瓦（Kailash Ahirwar）
• 出版社：人民郵電出版社
• ISBN：9787115485441

內容簡介

生成對抗網路（GAN）可以模擬任何數據分布方式，因而潛力巨大，為很多難以自動化的問題提供了解決途徑。本書立足理論，著重實踐，帶領讀者快速熟悉並上手GAN。本書首先介紹構建高效項目所涉及的概念、工具和庫，然後利用不同類型的數據集，依次構建7個GAN項目，訓練並最佳化GAN模型。這些項目涵蓋了各種流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。

作者簡介

凱拉什·阿伊瓦（Kailash Ahirwar）是機器學習解決方案平台Mate Labs的聯合創始人兼首席技術官，與人合作發明了去中心化的分散式深度學習訓練協定Raven Protocol，機器學習和深度學習愛好者，其研究工作涉及人工智慧的許多領域，包括自然語言處理、計算機視覺，以及使用GAN進行生成建模。

目錄

前言 iii

第 1章 生成對抗網路簡介 1

1．1 什麼是GAN 1

1．1．1 什麼是生成網路 1

1．1．2 什麼是判別網路 2

1．1．3 GAN通過對抗競賽進行訓練 2

1．2 GAN的實際套用 2

1．3 GAN的具體架構 3

1．3．1 生成網路的架構 3

1．3．2 判別網路的架構 4

1．3．3 GAN相關重要概念 5

1．3．4 評分算法 7

1．4 GAN變體 8

1．4．1 深度卷積生成對抗網路 8

1．4．2 StackGAN 9

1．4．3 CycleGAN 9

1．4．4 3D-GAN 9

1．4．5 Age-cGAN 9

1．4．6 pix2pix 9

1．5 GAN的優勢 10

1．6 訓練GAN的問題 10

1．6．1 模式塌陷 10

1．6．2 梯度消失 10

1．6．3 內部協變數轉移 11

1．7 解決GAN訓練穩定性問題 11

1．7．1 特徵匹配 11

1．7．2 小批量判別 12

1．7．3 歷史平均 13

1．7．4 單面標籤平滑 13

1．7．5 批歸一化 14

1．7．6 實例歸一化 14

1．8 小結 14

第 2章 使用3D-GAN生成圖形 15

2．1 3D-GAN簡介 15

2．1．1 3D卷積 15

2．1．2 3D-GAN架構 16

2．1．3 目標函式 20

2．1．4 訓練3D-GAN 20

2．2 創建項目 21

2．3 準備數據 21

2．3．1 下載並提取數據集 22

2．3．2 探索數據集 22

2．4 3D-GAN的Keras實現 25

2．4．1 生成網路 25

2．4．2 判別網路 27

2．5 訓練3D-GAN 28

2．5．1 訓練兩個網路 28

2．5．2 保存模型 31

2．5．3 測試模型 32

2．5．4 損失可視化 32

2．5．5 圖可視化 33

2．6 超參數最佳化 34

2．7 3D-GAN的實際套用 34

2．8 小結 34

第3章 使用cGAN實現人臉老化 35

3．1 人臉老化cGAN簡介 35

3．1．1 理解cGAN 35

3．1．2 Age-cGAN架構 36

3．1．3 Age-cGAN的訓練階段 37

3．2 創建項目 39

3．3 準備數據 39

3．3．1 下載數據集 40

3．3．2 提取數據集 40

3．4 Age-cGAN的Keras實現 41

3．4．1 編碼網路 42

3．4．2 生成網路 44

3．4．3 判別網路 47

3．5 訓練cGAN 49

3．5．1 訓練cGAN 49

3．5．2 潛在向量初步近似 55

3．5．3 潛在向量最佳化 57

3．5．4 損失可視化 59

3．5．5 圖可視化 60

3．6 Age-cGAN的實際套用 61

3．7 小結 62

第4章 使用DCGAN生成動畫人物 63

4．1 DCGAN 簡介 63

4．2 創建項目 69

4．3 下載並準備動畫人物數據集 70

4．3．1 下載數據集 70

4．3．2 探索數據集 71

4．3．3 剪裁及縮放訓練集圖像 71

4．4 使用Keras實現DCGAN 73

4．4．1 生成網路 74

4．4．2 判別網路 76

4．5 訓練DCGAN 78

4．5．1 載入樣本 79

4．5．2 構建並編譯網路 79

4．5．3 訓練判別網路 81

4．5．4 訓練生成網路 81

4．5．5 生成圖像 82

4．5．6 保存模型 83

4．5．7 生成圖像可視化 83

4．5．8 損失可視化 84

4．5．9 圖可視化 85

4．5．10 超參數調優 85

4．6 DCGAN的實際套用 86

4．7 小結 86

第5章 使用SRGAN生成逼真圖像 87

5．1 SRGAN簡介 87

5．1．1 SRGAN架構 87

5．1．2 訓練目標函式 91

5．2 創建項目 92

5．3 下載CelebA數據集 93

5．4 SRGAN的Keras實現 94

5．4．1 生成網路 94

5．4．2 判別網路 98

5．4．3 VGG19網路 101

5．4．4 對抗網路 102

5．5 訓練SRGAN 103

5．5．1 構建並編譯網路 103

5．5．2 訓練判別網路 105

5．5．3 訓練生成網路 106

5．5．4 保存模型 107

5．5．5 生成圖像可視化 107

5．5．6 損失可視化 109

5．5．7 圖可視化 110

5．6 SRGAN的實際套用 110

5．7 小結 110

第6章 StackGAN：基於文本合成逼真圖像 111

6．1 StackGAN簡介 111

6．2 StackGAN架構 112

6．2．1 文本編碼網路 113

6．2．2 CA塊 113

6．2．3 第 一階段 114

6．2．4 第二階段 117

6．3 創建項目 122

6．4 準備數據 123

6．4．1 下載數據集 123

6．4．2 提取數據集 124

6．4．3 探索數據集 124

6．5 StackGAN的Keras 實現 124

6．5．1 第 一階段 124

6．5．2 第二階段 132

6．6 訓練 StackGAN 141

6．6．1 訓練StackGAN第 一階段 141

6．6．2 訓練StackGAN第二階段 148

6．6．3 生成圖像可視化 152

6．6．4 損失可視化 152

6．6．5 圖可視化 153

6．7 StackGAN的實際套用 154

6．8 小結 154

第7章 使用CycleGAN將繪畫轉換為照片 155

7．1 CycleGAN簡介 155

7．1．1 CycleGAN 架構 156

7．1．2 訓練目標函式 160

7．2 創建項目 161

7．3 下載數據集 162

7．4 CycleGAN的Keras實現 162

7．4．1 生成網路 163

7．4．2 判別網路 165

7．5 訓練 CycleGAN 167

7．5．1 載入數據集 167

7．5．2 構建並編譯網路 169

7．5．3 開始訓練 171

7．5．4 保存模型 173

7．5．5 生成圖像可視化 174

7．5．6 損失可視化 175

7．5．7 圖可視化 176

7．6 CycleGAN的實際套用 176

7．7 小結 177

7．8 延伸閱讀 177

第8章 使用cGAN實現圖像對圖像變換 178

8．1 pix2pix簡介 178

8．1．1 pix2pix架構 179

8．1．2 訓練目標函式 184

8．2 創建項目 184

8．3 準備數據 185

8．4 pix2pix的Keras實現 189

8．4．1 生成網路 189

8．4．2 判別網路 195

8．4．3 對抗網路 200

8．5 訓練pix2pix網路 202

8．5．1 保存模型 206

8．5．2 生成圖像可視化 206

8．5．3 損失可視化 207

8．5．4 圖可視化 208

8．6 pix2pix網路的實際套用 208

8．7 小結 211

第9章 預測GAN的未來 210

9．1 對GAN未來的預測 211

9．1．1 提升現有的深度學習方法 211

9．1．2 GAN商業套用的演化 211

9．1．3 GAN訓練過程的成熟 211

9．2 GAN未來的潛在套用 211

9．2．1 基於文本創建信息圖 212

9．2．2 設計網站 212

9．2．3 壓縮數據 212

9．2．4 研發藥物 212

9．2．5 使用GAN生成文本 212

9．2．6 使用GAN生成音樂 213

9．3 探索GAN 213

9．4 小結 213

著作權聲明 214