实战GAN：TensorFlow与Keras生成对抗网络构建 - (EPUB全文下载)

文件大小：1.79 mb。
文件格式：epub 格式。
书籍内容：

实战GAN：TensorFlow与Keras生成对抗网络构建
第1章 什么是生成对抗网络
第2章 数据优先、环境和数据准备
第3章 用100行代码实现第一个GAN
第4章 使用DCGAN创造新的室外结构
第5章 Pix2Pix图像转换
第6章 使用CycleGAN进行图像风格转换
第7章 利用SimGAN使用模拟图像制作具有真实感的眼球图片
第8章 使用GAN从图像生成3D模型
第1章 什么是生成对抗网络
本章将介绍以下内容：
• 生成模型和判别模型。
• 神经网络的“爱情故事”。
• 深度神经网络。
• 架构基础。
• 基本构建块——生成器。
• 基本构建块——判别器。
• 基本构建块——损失函数。
• 训练。
• 以不同方式组织 GAN。
• GAN的输出是什么？
• 理解 GAN架构的优点。
简介
我确定你听说过神经网络的美好未来，也听说过 AI（人工智能）正在走向人类。在这里我可以告诉你，你无须担心，神经网络的美好未来和现实的距离已经不那么遥远。生成对抗网络（Generative Adversarial Network，GAN）代表了深度神经网络架构发展的一个转变。新的架构让两个或更多的神经网络在对抗训练中相互竞争来产生新的生成模型。在本书中，我们会聚焦于这个架构的基本实现以及这种新架构最前沿的几个变体。
GAN是当前深度学习研究领域最为热门的话题。它的架构风格以及能产生其他方法很难学习到的生成模型的能力使得其热度飞速上升。该架构还有其他几个优点：可以在有限数据下泛化，可以通过已有的小数据集构建新的数据，可以模拟出以假乱真的数据。现如今的其他深度学习技术都需要大量的数据，因此 GAN 的这些特性都是深度学习中十分重要的主题。使用这种新型架构，处理复杂任务所需的数据量会显著下降。在极端的例子中，使用这种架构的方法只需要其他类型的深度学习方法10%的数据就可以解决相同的问题。
在本章结束后，你将能够回答以下几个问题：
• 是否所有的 GAN都拥有相同的架构？
• 在 GAN的架构中是否还有新的概念？
• 实践中的 GAN基础架构组成是怎样的？
准备好了吗？让我们开始吧！
生成模型和判别模型
机器学习（Machine Learning，ML）和深度学习可以通过两个术语来描述：生成（Generative）模型和判别（Discriminative）模型。目前大部分人所熟知的机器学习技术，通常都可以归为判别模型，例如分类。
工作流程
这两种模型的区别可以通过下面的比喻来展现。
• 判别模型：观察绘画作品，并通过观察的结果判断绘画作品的风格。
下面是我们在机器学习中如何完成这个任务的步骤：
1.首先，我们创建一个使用卷积层或者其他学习特征的机器学习模型来理解数据的不同部分。
2.接下来，我们收集数据并创建训练集（60%～90%的数据）和校验集（10%～40%的数据）。
3.使用数据训练机器学习模型。
4.使用模型来判断给定数据属于哪个特定分类——在这个例子中为判断绘画作品属于哪个作者。
• 生成模型：学习并以多种画家的风格重新创作绘画作品，根据学习到的风格来判断给定绘画作品的风格。
下面是我们如何完成这种类型建模的步骤：
1.创建一个机器学习模型，并学习如何重新创作不同风格的绘画作品。
2.收集训练集和校验集。
3.使用数据训练机器学习模型。
4.使用与判断创作绘画作品风格的模型相同的指标来预测图像的风格。
工作原理
判别模型能够学习到不同类别分布的边界条件：
• 判别模型从数据中获取能力。
• 判别模型不适用于非监督学习或未标注数据。
我们可以用下面的图片来更好地描述判别模型的工作原理。
生成模型根据输入的分布来对不同类别的分布进行建模：
• 该模型为每个类别创建概率模型来对分布进行预估。
• 由于生成模型可以从训练过程中学习到标签，因此生成模型可以处理未标注的数据。
我们可以用下面的图片来更好地描述生成模型的工作原理。
由于生成模型需要能准确地对输入建模并重建输入的分布，因此它的学习过程十分困难。判别模型学习的是边界条件，神经网络已经可以很好地处理这方面的问题。GAN的架构代表了一种和传统生成模型领域完全不同的技术。我们会首先介绍神经网络的发展，然后再来探讨 GAN架构的发展。
神经网络的“爱情故事”
由于本书介绍的是一种特定的神经网络架构，因此我们会假设你已经对解决当前神经网络问题的机器学习和深度学习技术有了基本的了解。由于深度神经网络架构的出现，近年来神经网络的热度呈现出爆炸式的增长。通过利用大量的隐藏层和海量的数据，现代深度学习技术可以在一些有趣的应用中表现出超过人类的能力。这是怎么发生的呢？神经网络目前能够以一种和人脑类似的方式学习数据的基本特征和关系。同时，研究者们也在不断探索其他将人脑处理问题的过程复制到神经网络中的新型混合架构。
工作流程
这是一个很经典的故事：研究者们喝酒聊天时冒出了一个想法——如果两个神经网络相互竞争来解决一个问题会发生什么？通常被人们称为GAN之父的Ian Goodfellow在2014年发表了一篇著名的论文 Generative Adversarial Networks，将这个想法带入了大众的视野。全世界的研究者们都开始开发这种技术的变体：让三个或更多的神经网络相互竞争会怎样？当提供更多的损失函数时会怎样？由于本书要介绍的就是解决这些问题的技术架构的实现，因此，我们会在本书中逐一解答这些问题。
工作原理
了解生成模型和判别模型之间的区别以及它们的复杂性十分重要。近年来，判别模型方面取得了长足的进展。而传统的基于马尔科夫决策过程的生成模型的灵活性依然不足，需要大量设计阶段的调试。这一切在我们今天将要介绍的 GAN 诞生后得到了改变。Goodfellow在2014年发表的论文中将判别模型和生成模型中的问题汇总如下：
Goodfellow和论文的其他作者关于生成模型现阶段（2014年）挑战的总结
Goodfellow 和他的同事们在这个表格中讲述了什么呢？从本质上来说，早期生成 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。