生成对抗网络入门指南PDF电子书下载

第1章 人工智能入门 1

1.1 人工智能的历史与发展 1

1.1.1 人工智能的诞生 3

1.1.2 人工智能的两起两落 6

1.1.3 新时代的人工智能 7

1.2 机器学习与深度学习 10

1.2.1 机器学习分类 11

1.2.2 神经网络与深度学习 12

1.2.3 深度学习的应用 13

1.3 了解生成对抗网络 15

1.3.1 从机器感知到机器创造 15

1.3.2 什么是生成对抗网络 19

1.4 本章小结 20

第2章 预备知识与开发工具 21

2.1 Python语言与开发框架 21

2.1.1 Python语言 21

2.1.2 常用工具简介 23

2.1.3 第三方框架简介 26

2.2 TensorFlow基础入门 27

2.2.1 TensorFlow简介与安装 27

2.2.2 TensorFlow使用入门 30

2.2.3 TensorFlow实例：图像分类 31

2.3 Keras基础入门 33

2.3.1 Keras简介与安装 33

2.3.2 Keras使用入门 34

2.3.3 Keras实例：文本情感分析 36

2.4 Floyd：使用深度学习云平台运行程序 38

2.4.1 深度学习云平台简介 38

2.4.2 Floyd使用入门 39

2.4.3 Floyd实例：神经网络风格转换 43

2.5 本章小结 45

第3章 理解生成对抗网络 46

3.1 生成模型 46

3.1.1 生成模型简介 46

3.1.2 自动编码器 47

3.1.3 变分自动编码器 50

3.2 GAN的数学原理 52

3.2.1 最大似然估计 52

3.2.2 生成对抗网络的数学推导 55

3.3 GAN的可视化理解 58

3.4 GAN的工程实践 59

3.5 本章小结 67

第4章 深度卷积生成对抗网络 68

4.1 DCGAN的框架 68

4.1.1 DCGAN设计规则 68

4.1.2 DCGAN框架结构 72

4.2 DCGAN的工程实践 73

4.3 DCGAN的实验性应用 79

4.3.1 生成图像的变换 79

4.3.2 生成图像的算术运算 81

4.3.3 残缺图像的补全 83

4.4 本章小结 85

第5章 Wasserstein GAN 86

5.1 GAN的优化问题 86

5.2 WGAN的理论研究 89

5.3 WGAN的工程实践 92

5.4 WGAN的实验效果分析 96

5.4.1 代价函数与生成质量的相关性 96

5.4.2 生成网络的稳定性 97

5.4.3 模式崩溃问题 99

5.5 WGAN的改进方案：W GAN-GP 100

5.6 本章小结 104

第6章 不同结构的GAN 105

6.1 GAN与监督式学习 105

6.1.1 条件式生成：cGAN 105

6.1.2 cGAN在图像上的应用 106

6.2 GAN与半监督式学习 110

6.2.1 半监督式生成：SGAN 110

6.2.2 辅助分类生成：ACGAN 112

6.3 GAN与无监督式学习 113

6.3.1 无监督式学习与可解释型特征 113

6.3.2 理解InfoGAN 115

6.4 本章小结 119

第7章 文本到图像的生成 120

7.1 文本条件式生成对抗网络 120

7.2 文本生成图像进阶：GAW WN 123

7.3 文本到高质量图像的生成 127

7.3.1 层级式图像生成：StackGAN 128

7.3.2 层级式图像生成的优化：StackGAN-v2 132

7.4 本章小结 135

第8章 图像到图像的生成 136

8.1 可交互图像转换：iGAN 136

8.1.1 可交互图像转换的用途 136

8.1.2 iGAN的实现方法 138

8.1.3 iGAN软件简介与使用方法 140

8.2 匹配数据图像转换：Pix2Pix 143

8.2.1 理解匹配数据的图像转换 143

8.2.2 Pix2Pix的理论基础 145

8.2.3 Pix2Pix的应用实践 150

8.3 非匹配数据图像转换：CycleGAN 157

8.3.1 理解非匹配数据的图像转换 157

8.3.2 CycleGAN的理论基础 160

8.3.3 CycleGAN的应用实践 162

8.4 多领域图像转换：StarGAN 166

8.4.1 多领域的图像转换问题 166

8.4.2 StarGAN的理论基础 169

8.4.3 StarGAN的应用实践 171

8.5 本章小结 177

第9章 GAN的应用：从多媒体到艺术设计 178

9.1 GAN在多媒体领域的应用 178

9.1.1 图像去模糊 178

9.1.2 人脸生成 181

9.1.3 音频合成 184

9.2 GAN与AI艺术 188

9.2.1 AI能否创造艺术 188

9.2.2 AI与计算机艺术的发展 190

9.2.3 艺术生成网络：从艺术模仿到创意生成 196

9.3 GAN与AI设计 202

9.3.1 AI时代的设计 202

9.3.2 AI辅助式设计的研究 205

9.4 本章小结 212

第10章 GAN研究热点 213

10.1 评估与优化 213

10.2 对抗攻击 216

10.3 发展中的GAN 219

参考文献 222