实战GAN：TensorFlow与Keras生成对抗网络构建

《实战GAN：TensorFlow与Keras生成对抗网络构建》通过多个不同的生成对抗网络（GAN）架构的实现来帮助读者更好地理解生成对抗网络背后的原理及其构建方式。书中还提供了大量易于理解并可以直接使用的GAN代码及其部署方式和数据集，以帮助读者更快地上手解决工作中所面临的问题并积极应对相关挑战。 《实战GAN：TensorFlow与Keras生成对抗网络构建》适合数据科学家、算法工程师、数据挖掘工程师以及机器学习领域相关的从业人员用来学习使用全新的深度学习技术解决工作中的问题，也适合机器学习和深度学习的爱好者、初学者用来体验深度学习的魅力。

序言 1 第1章 什么是生成对抗网络 7 简介 7 生成模型和判别模型 8 工作流程 8 工作原理 9 神经网络的“爱情故事” 10 工作流程 10 工作原理 11 深度神经网络 11 工作流程 11 工作原理 12 架构基础 13 工作流程 13 工作原理 14 基本构建块——生成器 15 工作流程 15 工作原理 15 基本构建块——判别器 16 工作流程 16 工作原理 17 基本构建块——损失函数 18 工作流程 18 工作原理 18 训练 20 工作流程 20 工作原理 20 以不同方式组织GAN 20 工作流程 21 工作原理 21 GAN的输出是什么 22 工作流程 22 工作原理 22 理解GAN架构的优点 24 工作流程 24 工作原理 25 练习 25 第2章 数据优先、环境和数据准备 27 简介 27 数据是否如此重要 27 准备工作 28 工作流程 28 工作原理 29 更多内容 29 搭建开发环境 29 准备工作 30 工作流程 30 更多内容 35 数据类型 35 准备工作 36 工作流程 36 工作原理 38 更多内容 40 数据预处理 41 准备工作 41 工作流程 41 工作原理 42 更多内容 45 异常数据 46 准备工作 46 工作流程 46 更多内容 49 平衡数据 49 准备工作 49 工作流程 49 更多内容 53 数据强化 54 准备工作 54 工作流程 55 工作原理 56 更多内容 57 练习 58 第3章 用100行代码实现第一个GAN 59 简介 59 从理论到实践——一个简单例子 59 准备工作 60 工作流程 60 参考内容 62 使用Keras和TensorFlow构建神经网络 62 准备工作 63 工作流程 63 参考内容 66 解释你的第一个GAN组件——判别器 66 准备工作 67 工作流程 67 解释你的第二个GAN组件——生成器 71 准备工作 71 工作流程 71 组合GAN组件 75 准备工作 76 工作流程 76 训练你的第一个GAN 78 准备工作 78 工作流程 78 训练模型并理解GAN的输出 84 准备工作 84 工作流程 84 工作原理 86 练习 87 第4章 使用DCGAN创造新的室外结构 89 简介 89 什么是DCGAN？一个简单的伪代码样例 89 准备工作 90 工作流程 90 参考内容 93 工具——是否需要特殊的工具 93 准备工作 93 工作流程 94 更多内容 97 参考内容 97 解析数据——数据是否独特 97 准备工作 97 工作流程 98 代码实现——生成器 100 准备工作 100 工作流程 100 参考内容 103 代码实现——判别器 103 准备工作 104 工作流程 104 参考内容 107 训练 107 准备工作 107 工作流程 107 评估——如何判断它是否有效 114 准备工作 115 工作原理 115 调整参数优化性能 116 工作流程 116 练习 118 第5章 Pix2Pix图像转换 119 简介 119 使用伪代码介绍Pix2Pix 119 准备工作 120 工作流程 120 数据集解析 122 准备工作 122 工作流程 123 代码实现——生成器 124 准备工作 124 工作流程 125 代码实现——GAN 127 准备工作 127 工作流程 128 代码实现——判别器 129 准备工作 129 工作流程 129 训练 131 准备工作 131 工作流程 132 练习 139 第6章 使用CycleGAN进行图像风格转换 141 简介 141 伪代码——工作原理 141 准备工作 142 工作流程 142 解析CycleGAN数据集 144 准备工作 144 工作流程 145 代码实现——生成器 147 准备工作 147 工作流程 148 代码实现——判别器 150 准备工作 150 工作流程 151 代码实现——GAN 153 准备工作 153 工作流程 154 训练 155 准备工作 155 工作流程 156 练习 162 第7章 利用SimGAN使用模拟图像制作具有真实感的眼球图片 163 简介 163 SimGAN架构的工作原理 163 准备工作 164 工作流程 164 伪代码——工作原理 165 准备工作 165 工作流程 165 如何使用训练数据 166 准备工作 166 工作流程 166 代码实现——损失函数 169 准备工作 169 工作流程 169 代码实现——生成器 170 准备工作 170 工作流程 171 代码实现——判别器 173 准备工作 173 工作流程 174 代码实现——GAN 176 准备工作 176 工作流程 177 训练SimGAN 178 准备工作 178 工作流程 179 练习 183 第8章 使用GAN从图像生成3D模型 185 简介 185 使用GAN生成3D模型 185 准备工作 186 工作流程 186 环境准备 188 准备工作 189 工作流程 189 对2D数据进行编码并匹配3D对象 190 准备工作 191 工作流程 191 代码实现——生成器 193 准备工作 193 工作流程 194 代码实现——判别器 196 准备工作 196 工作流程 197 代码实现——GAN 199 准备工作 199 工作流程 199 训练模型 200 准备工作 201 工作流程 201 练习 208

Josh Kalin是一位物理学家和技术专家，他关注于机器人和机器学习的交叉领域。Josh致力于先进传感器、工业机器人、机器学习和自动化车辆项目的研究。他同时拥有物理学、机械工程以及计算机科学的学位。在业余时间，他喜欢研究车辆（拥有36辆汽车）、组装计算机，以及学习机器人和机器学习领域的新技术（例如撰写本书）。 感谢亲朋好友对我这个疯狂想法的支持；感谢我的孩子可以理解我因为GAN而抓头发的时刻。希望有一天他们能理解这本书的内容。特别感谢Jeremiah能够倾听我关于这本书的唠叨。最后，要感谢我的妻子：没有她，这一切都是不可能实现的。正是在她的催促下，我才能顺利地完成这本书。

暂无其它内容！

• GAN生成对抗网络入门与实战

  来源：豆瓣 发布时间：2025-05-10 04:58:00