生成对抗网络入门指南

作品简介

生成对抗网络（GAN）是当下热门的人工智能技术之一，被美国《麻省理工科技评论》评为2018年“全球十大突破性技术”。本书是一本结合基础理论与工程实践的入门书籍，深入浅出地讲解了GAN的各类模型以及技术发展。全书共10章，前半部分介绍目前已经较为成熟的模型，如DCGAN、WGAN等，以及大量不同结构的GAN变种；后半部分介绍GAN在文本到图像的生成、图像到图像的生成以及其他应用中的研究与发展。本书适合机器学习领域从业人员、高校相关专业学生以及具备一定基础的人工智能爱好者阅读。

史丹青编著。

作品目录

• 前言
• 第1章　人工智能入门
• 1.1　人工智能的历史与发展
• 1.1.1　人工智能的诞生
• 1.1.2　人工智能的两起两落
• 1.1.3　新时代的人工智能
• 1.2　机器学习与深度学习
• 1.2.1　机器学习分类
• 1.2.2　神经网络与深度学习
• 1.2.3　深度学习的应用
• 1.3　了解生成对抗网络
• 1.3.1　从机器感知到机器创造
• 1.3.2　什么是生成对抗网络
• 1.4　本章小结
• 第2章　预备知识与开发工具
• 2.1　Python语言与开发框架
• 2.1.1　Python语言
• 2.1.2　常用工具简介
• 2.1.3　第三方框架简介
• 2.2　TensorFlow基础入门
• 2.2.1　TensorFlow简介与安装
• 2.2.2　TensorFlow使用入门
• 2.2.3　Tensorflow实例：图像分类
• 2.3　Keras基础入门
• 2.3.1　Keras简介与安装
• 2.3.2　Keras使用入门
• 2.3.3　Keras实例：文本情感分析
• 2.4　Floyd：使用深度学习云平台运行程序
• 2.4.1　深度学习云平台简介
• 2.4.2　Floyd使用入门
• 2.4.3　Floyd实例：神经网络风格转换
• 2.5　本章小结
• 第3章　理解生成对抗网络
• 3.1　生成模型
• 3.1.1　生成模型简介
• 3.1.2　自动编码器
• 3.1.3　变分自动编码器
• 3.2　GAN的数学原理
• 3.2.1　最大似然估计
• 3.2.2　生成对抗网络的数学推导
• 3.3　GAN的可视化理解
• 3.4　GAN的工程实践
• 3.5　本章小结
• 第4章　深度卷积生成对抗网络
• 4.1　DCGAN的框架
• 4.1.1　DCGAN设计规则
• 4.1.2　DCGAN框架结构
• 4.2　DCGAN的工程实践
• 4.3　DCGAN的实验性应用
• 4.3.1　生成图像的变换
• 4.3.2　生成图像的算术运算
• 4.3.3　残缺图像的补全
• 4.4　本章小结
• 第5章　Wasserstein GAN
• 5.1　GAN的优化问题
• 5.2　WGAN的理论研究
• 5.3　WGAN的工程实践
• 5.4　WGAN的实验效果分析
• 5.4.1　代价函数与生成质量的相关性
• 5.4.2　生成网络的稳定性
• 5.4.3　模式崩溃问题
• 5.5　WGAN的改进方案：WGAN-GP
• 5.6　本章小结
• 第6章　不同结构的GAN
• 6.1　GAN与监督式学习
• 6.1.1　条件式生成：cGAN
• 6.1.2　cGAN在图像上的应用
• 6.2　GAN与半监督式学习
• 6.2.1　半监督式生成：SGAN
• 6.2.2　辅助分类生成：ACGAN
• 6.3　GAN与无监督式学习
• 6.3.1　无监督式学习与可解释型特征
• 6.3.2　理解InfoGAN
• 6.4　本章小结
• 第7章　文本到图像的生成
• 7.1　文本条件式生成对抗网络
• 7.2　文本生成图像进阶：GAWWN
• 7.3　文本到高质量图像的生成
• 7.3.1　层级式图像生成：StackGAN
• 7.3.2　层级式图像生成的优化：StackGAN-v2
• 7.4　本章小结
• 第8章　图像到图像的生成
• 8.1　可交互图像转换：iGAN
• 8.1.1　可交互图像转换的用途
• 8.1.2　iGAN的实现方法
• 8.1.3　iGAN软件简介与使用方法
• 8.2　匹配数据图像转换：Pix2Pix
• 8.2.1　理解匹配数据的图像转换
• 8.2.2　Pix2Pix的理论基础
• 8.2.3　Pix2Pix的应用实践
• 8.3　非匹配数据图像转换：CycleGAN
• 8.3.1　理解非匹配数据的图像转换
• 8.3.2　CycleGAN的理论基础
• 8.3.3　CycleGAN的应用实践
• 8.4　多领域图像转换：StarGAN
• 8.4.1　多领域的图像转换问题
• 8.4.2　StarGAN的理论基础
• 8.4.3　StarGAN的应用实践
• 8.5　本章小结
• 第9章　GAN的应用：从多媒体到艺术设计
• 9.1　GAN在多媒体领域的应用
• 9.1.1　图像去模糊
• 9.1.2　人脸生成
• 9.1.3　音频合成
• 9.2　GAN与AI艺术
• 9.2.1　AI能否创造艺术
• 9.2.2　AI与计算机艺术的发展
• 9.2.3　艺术生成网络：从艺术模仿到创意生成
• 9.3　GAN与AI设计
• 9.3.1　AI时代的设计
• 9.3.2　AI辅助式设计的研究
• 9.4　本章小结
• 第10章　GAN研究热点
• 10.1　评估与优化
• 10.2　对抗攻击
• 10.3　发展中的GAN
• 参考文献