导语

  

内容提要

  

    生成对抗网络（GAN）可以模拟任何数据分布方式，因而潜力巨大，为很多难以自动化的问题提供了解决途径。本书立足理论，着重实践，带领读者快速熟悉并上手GAN。本书首先介绍构建高效项目所涉及的概念、工具和库，然后利用不同类型的数据集，依次构建7个GAN项目，训练并优化GAN模型。这些项目涵盖了各种流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。
    本书适合数据科学家、机器学习开发者、深度学习从业者及希望构建实际GAN模型的Al爱好者阅读。

前言
第1章  生成对抗网络简介
  1.1  什么是GAN
    1.1.1  什么是生成网络
    1.1.2  什么是判别网络
    1.1.3  GAN通过对抗竞赛进行训练
  1.2  GAN的实际应用
  1.3  GAN的具体架构
    1.3.1  生成网络的架构
    1.3.2  判别网络的架构
    1.3.3  GAN相关重要概念
    1.3.4  评分算法
  1.4  GAN变体
    1.4.1  深度卷积生成对抗网络
    1.4.2  StackGAN
    1.4.3  CycleGAN
    1.4.4  3D-GAN
    1.4.5  Age-cGAN
    1.4.6  pix2pix
  1.5  GAN的优势
  1.6  训练GAN的问题
    1.6.1  模式塌陷
    1.6.2  梯度消失
    1.6.3  内部协变量转移
  1.7  解决GAN训练稳定性问题
    1.7.1  特征匹配
    1.7.2  小批量判别
    1.7.3  历史平均
    1.7.4  单面标签平滑
    1.7.5  批归一化
    1.7.6  实例归一化
  1.8  小结
第2章  使用3D-GAN生成图形
  2.1  3D-GAN简介
    2.1.1  3D卷积
    2.1.2  3D-GAN架构
    2.1.3  目标函数
    2.1.4  训练3D-GAN
  2.2  创建项目
  2.3  准备数据
    2.3.1  下载并提取数据集
    2.3.2  探索数据集
  2.4  3D-GAN的Keras实现
    2.4.1  生成网络
    2.4.2  判别网络
  2.5  训练3D-GAN
    2.5.1  训练两个网络
    2.5.2  保存模型
    2.5.3  测试模型
    2.5.4  损失可视化
    2.5.5  图可视化
  2.6  超参数优化
  2.7  3D-GAN的实际应用
  2.8  小结
第3章  使用cGAN实现人脸老化
  3.1  人脸老化cGAN简介
    3.1.1  理解cGAN
    3.1.2  Age-cGAN架构
    3.1.3  Age-cGAN的训练阶段
  3.2  创建项目
  3.3  准备数据
    3.3.1  下载数据集
    3.3.2  提取数据集
  3.4  Age-cGAN的Keras实现
    3.4.1  编码网络
    3.4.2  生成网络
    3.4.3  判别网络
  3.5  训练cGAN
    3.5.1  训练cGAN
    3.5.2  潜在向量初步近似
    3.5.3  潜在向量优化
    3.5.4  损失可视化
    3.5.5  图可视化
  3.6  Age-cGAN的实际应用
  3.7  小结
第4章  使用DCGAN生成动画人物
  4.1  DCGAN 简介
  4.2  创建项目
  4.3  下载并准备动画人物数据集
    4.3.1  下载数据集
    4.3.2  探索数据集
    4.3.3  剪裁及缩放训练集图像
  4.4  使用Keras实现DCGAN
    4.4.1  生成网络
    4.4.2  判别网络
  4.5  训练DCGAN
    4.5.1  加载样本
    4.5.2  构建并编译网络
    4.5.3  训练判别网络
    4.5.4  训练生成网络
    4.5.5  生成图像
    4.5.6  保存模型
    4.5.7  生成图像可视化
    4.5.8  损失可视化
    4.5.9  图可视化
    4.5.10  超参数调优
  4.6  DCGAN的实际应用
  4.7  小结
第5章  使用SRGAN生成逼真图像
  5.1  SRGAN简介
    5.1.1  SRGAN架构
    5.1.2  训练目标函数
  5.2  创建项目
  5.3  下载CelebA数据集
  5.4  SRGAN的Keras实现
    5.4.1  生成网络
    5.4.2  判别网络
    5.4.3  VGG19网络
    5.4.4  对抗网络
  5.5  训练SRGAN
    5.5.1  构建并编译网络
    5.5.2  训练判别网络
    5.5.3  训练生成网络
    5.5.4  保存模型
    5.5.5  生成图像可视化
    5.5.6  损失可视化
    5.5.7  图可视化
  5.6  SRGAN的实际应用
  5.7  小结
第6章  StackGAN：基于文本合成逼真图像
  6.1  StackGAN简介
  6.2  StackGAN架构
    6.2.1  文本编码网络
    6.2.2  CA块
    6.2.3  第一阶段
    6.2.4  第二阶段
  6.3  创建项目
  6.4  准备数据
    6.4.1  下载数据集
    6.4.2  提取数据集
    6.4.3  探索数据集
  6.5  StackGAN的Keras 实现
    6.5.1  第一阶段
    6.5.2  第二阶段
  6.6  训练 StackGAN
    6.6.1  训练StackGAN第一阶段
    6.6.2  训练StackGAN第二阶段
    6.6.3  生成图像可视化
    6.6.4  损失可视化
    6.6.5  图可视化
  6.7  StackGAN的实际应用
  6.8  小结
第7章  使用CycleGAN将绘画转换为照片
  7.1  CycleGAN简介
    7.1.1  CycleGAN 架构
    7.1.2  训练目标函数
  7.2  创建项目
  7.3  下载数据集
  7.4  CycleGAN的Keras实现
    7.4.1  生成网络
    7.4.2  判别网络
  7.5  训练 CycleGAN
    7.5.1  加载数据集
    7.5.2  构建并编译网络
    7.5.3  开始训练
    7.5.4  保存模型
    7.5.5  生成图像可视化
    7.5.6  损失可视化
    7.5.7  图可视化
  7.6  CycleGAN的实际应用
  7.7  小结
  7.8  延伸阅读
第8章  使用cGAN实现图像对图像变换
  8.1  pix2pix简介
    8.1.1  pix2pix架构
    8.1.2  训练目标函数
  8.2  创建项目
  8.3  准备数据
  8.4  pix2pix的Keras实现
    8.4.1  生成网络
    8.4.2  判别网络
    8.4.3  对抗网络
  8.5  训练pix2pix网络
    8.5.1  保存模型
    8.5.2  生成图像可视化
    8.5.3  损失可视化
    8.5.4  图可视化
  8.6  pix2pix网络的实际应用
  8.7  小结
第9章  预测GAN的未来
  9.1  对GAN未来的预测
    9.1.1  提升现有的深度学习方法
    9.1.2  GAN商业应用的演化
    9.1.3  GAN训练过程的成熟
  9.2  GAN未来的潜在应用
    9.2.1  基于文本创建信息图
    9.2.2  设计网站
    9.2.3  压缩数据
    9.2.4  研发药物
    9.2.5  使用GAN生成文本
    9.2.6  使用GAN生成音乐
  9.3  探索GAN
  9.4  小结