GAN實戰

《GAN實戰》是2021年人民郵電出版社出版的圖書，作者是雅各布·朗格爾、弗拉基米爾·博克。本書主要介紹構建和訓練生成對抗網路的方法及原理。。

基本介紹

• 中文名：GAN實戰 
• 作者： 雅各布·朗格爾、弗拉基米爾·博克
• 譯者：羅家佳 
• 出版社：人民郵電出版社
• ISBN：9787115550842

內容簡介

本書主要介紹構建和訓練生成對抗網路（GAN）的方法。全書共12 章，先介紹生成模型以及GAN 的工作原理，並概述它們的潛在用途，然後探索GAN 的基礎結構（生成器和鑑別器），引導讀者搭建一個簡單的對抗系統。本書給出了大量的示例，教讀者學習針對不同的場景訓練不同的GAN，進而完成生成高解析度圖像、實現圖像到圖像的轉換、生成對抗樣本以及目標數據等任務，讓所構建的系統變得智慧型、有效和快速。

圖書目錄

第 一部分 生成對抗網路（GAN）與生成模型導論

第 1 章 GAN 簡介 3

1．1 什麼是 GAN 5

1．2 GAN 是如何工作的 5

1．3 GAN 實戰 6

1．3．1 GAN 的訓練 7

1．3．2 達到平衡 10

1．4 為什麼要學 GAN 11

1．5 小結 14

第 2 章 自編碼器生成模型入門 15

2．1 生成模型簡介16

2．2 自編碼器如何用於高級場景 16

2．3 什麼是 GAN 的自編碼器 18

2．4 自編碼器的構成 18

2．5 自編碼器的使用 20

2．6 無監督學習21

2．6．1 吐故納新 21

2．6．2 使用自編碼器生成 22

2．6．3 變分自編碼器 23

2．7 代碼就是生命23

2．8 為什麼要嘗試使用 GAN 30

2．9 小結 32

第 3 章 你的第 一個 GAN 模型：生成手寫數字 ． 33

3．1 GAN 的基礎：對抗訓練 33

3．1．1 代價函式 35

3．1．2 訓練過程 35

3．2 生成器和鑑別器 37

3．2．1 對抗的目標 37

3．2．2 混淆矩陣 38

3．3 GAN 訓練算法 38

3．4 教程：生成手寫數字 39

3．4．1 導入模組並指定模型輸入維度 40

3．4．2 構造生成器 41

3．4．3 構造鑑別器 41

3．4．4 搭建整個模型 42

3．4．5 訓練 43

3．4．6 輸出樣本圖像 44

3．4．7 運行模型 45

3．4．8 檢查結果 45

3．5 結論 46

3．6 小結 46

第 4 章 深度卷積生成對抗網路（DCGAN）47

4．1 卷積神經網路48

4．1．1 卷積濾波器 48

4．1．2 參數共享 48

4．1．3 卷積神經網路可視化 48

4．2 DCGAN 簡史 49

4．3 批歸一化 50

4．3．1 理解歸一化 50

4．3．2 計算批歸一化 51

4．4 教程：用 DCGAN 生成手寫數字 52

4．4．1 導入模組並指定模型輸入維度 53

4．4．2 構造生成器 53

4．4．3 構造鑑別器 55

4．4．4 構建並運行 DCGAN 57

4．4．5 模型輸出 59

4．5 結論 60

4．6 小結 60

第二部分 GAN 的前沿主題

第 5 章 訓練與普遍挑戰：為成功而 GAN 63

5．1 評估 65

5．1．1 評估框架 65

5．1．2 IS 67

5．1．3 FID 68

5．2 訓練中的挑戰70

5．2．1 增加網路深度 72

5．2．2 遊戲設定 73

5．2．3 最小-最大 GAN 73

5．2．4 非飽和 GAN 74

5．2．5 何時停止訓練 76

5．2．6 WGAN77

5．3 總結遊戲設定80

5．4 訓練技巧 81

5．4．1 輸入的歸一化 81

5．4．2 批歸一化 81

5．4．3 梯度懲罰 82

5．4．4 對鑑別器進行更多的訓練 82

5．4．5 避免稀疏梯度 83

5．4．6 平滑和帶噪聲的標籤 83

5．5 小結 83

第 6 章 漸進式增長生成對抗網路（PGGAN） 85

6．1 潛在空間插值 86

6．2 它們發展如此之快 87

6．2．1 高解析度層的漸進增長和平滑 87

6．2．2 示例實現 90

6．2．3 小批量標準偏差 91

6．2．4 均衡學習率 92

6．2．5 生成器中的像素級特徵歸一化 93

6．3 主要創新點總結 96

6．4 TensorFlow Hub 庫及其實踐 97

6．5 PGGAN 的實際套用 98

6．6 小結 101

第 7 章 半監督生成對抗網路（SGAN） 103

7．1 SGAN 簡介105

7．1．1 什麼是 SGAN 106

7．1．2 結構107

7．1．3 訓練過程 107

7．1．4 訓練目標 108

7．2 教程：SGAN 的實現 108

7．2．1 架構圖 108

7．2．2 實現109

7．2．3 設定109

7．2．4 數據集 110

7．2．5 生成器 112

7．2．6 鑑別器 112

7．2．7 搭建整個模型 115

7．2．8 訓練116

7．3 與全監督分類器的對比 118

7．4 結論 119

7．5 小結 119

第 8 章 條件生成對抗網路（CGAN） 121

8．1 動機 121

8．2 什麼是 CGAN 122

8．2．1 CGAN 的生成器 123

8．2．2 CGAN 的鑑別器 123

8．2．3 匯總表 124

8．2．4 架構圖 124

8．3 教程：CGAN 的實現 125

8．3．1 實現125

8．3．2 設定125

8．3．3 CGAN 的生成器 126

8．3．4 CGAN 的鑑別器 128

8．3．5 搭建整個模型 130

8．3．6 訓練131

8．3．7 輸出樣本圖像 132

8．3．8 訓練模型 134

8．3．9 檢查輸出：生成目標數據 134

8．4 結論 135

8．5 小結 136

第 9 章 循環一致性生成對抗網路（CycleGAN） 137

9．1 圖像到圖像的轉換 137

9．2 循環一致性損失：再 GAN 一次 139

9．3 對抗損失 140

9．4 恆等損失 140

9．5 架構 142

9．5．1 CycleGAN 架構：構建網路 143

9．5．2 生成器架構 144

9．5．3 鑑別器架構 146

9．6 GAN 的面向對象設計 146

9．7 教程：CycleGAN 146

9．7．1 構建網路 148

9．7．2 構建生成器 149

9．7．3 構建鑑別器 151

9．7．4 訓練 CycleGAN 152

9．7．5 運行 CycleGAN 154

9．8 擴展、增強和套用 154

9．8．1 增強 CycleGAN 154

9．8．2 套用155

9．9 小結 156

第三部分 何去何從

第 10 章 對抗樣本 159

10．1 對抗樣本的背景 160

10．2 謊言，該死的謊言及分布 161

10．3 訓練的使用與濫用 162

10．4 信號與噪聲167

10．5 柳暗花明又一村 171

10．6 GAN 的對手 172

10．7 結論 173

10．8 小結 174

第 11 章 GAN 的實際套用 175

11．1 醫學領域的 GAN 176

11．1．1 利用 GAN 提高診斷準確率 176

11．1．2 方法 178

11．1．3 結果 179

11．2 時尚領域的GAN 180

11．2．1 利用 GAN 設計服裝 181

11．2．2 方法 181目錄

11．2．3 創造新單品以符合個人偏好 182

11．2．4 修改現有單品以更符合個人偏好 184

11．3 結論 187

11．4 小結 187

第 12 章 展望未來 189

12．1 倫理問題189

12．2 GAN 的創新 191

12．2．1 相對生成對抗網路（RGAN） 192

12．2．2 自注意力生成對抗網路（SAGAN） 194

12．2．3 BigGAN 196

12．3 拓展閱讀 198

12．4 回顧與總結198

12．5 小結 200

作者簡介

雅各布·朗格爾（Jakub Langr） 英國創企孵化器 Founders Factory計算機視覺領域的聯合創始人。

弗拉基米爾·博克（Vladimir Bok） 美國紐約一家初創公司的高級產品經理，負責機器學習基礎架構方面的工作和研究團隊的整體運作。