«Генеративно-состязательные сети. Нейронные сети в глубоком обучении»,
- Оригинал книги: GANs in Action: Deep learning with Generative Adversarial Networks
- Авторы: Якуб Лангр,Владимир Бок,
- Бумага офсетная-белая,
- Мягкий переплет,
- стр.: ~300,
- ISBN 978-5-907203-04-4,
- «ДИАЛЕКТИКА», 2020
- Дата выхода: Май 2020
- Язык: Русский
- Тип: Скан-PDF
На практических примерах в книге будет показано, как обучить нейронную сеть генерированию изображений с высоким разрешением и как создавать эффективные и быстродействующие системы обработки изображений
Генеративные состязательные сети, GANs, - это невероятная технология искусственного интеллекта, способная создавать изображения, звук и видео, которые неотличимы от “реальной вещи"."Противопоставляя друг другу две нейронные сети—одну для создания подделок, а другую для их обнаружения,—Ганы быстро учатся создавать фотореалистичные лица и другие медиаобъекты. Обладая потенциалом для создания потрясающе реалистичных анимаций или шокирующих deepfakes, GANs являются огромным шагом вперед в системах глубокого обучения.
Ганс в действии учит вас, чтобы построить и обучить ваши собственные генеративные состязательности сетей. Вы начнете с создания простых генераторных и дискриминаторных сетей, которые являются основой архитектуры GAN. Затем, следуя многочисленным практическим примерам, вы научите GANs генерировать изображения с высоким разрешением, переводить изображение в изображение и создавать целевые данные. По пути вы найдете профессиональные советы для того, чтобы сделать вашу систему умной, эффективной и быстрой.
Спойлер: Примерное Содержание (машинный перевод)
Оглавление ведет вас прямо к книге
Часть 1: введение в gans и генеративное моделирование
1 Введение в gans
1.1 Что такое генеративные состязательные сети?
1.2 Как работают ганы?
1.3 Gans в действии
1.3.1 Gan обучение
1.3.2 Достижение равновесия
1.4 Зачем изучать gans?
Резюме
2 Введение в генеративное моделирование с помощью автоэнкодеров
2.1 Введение в генеративное моделирование
2.2 Как работают автокодеры на высоком уровне?
2.3 Что такое автокодеры для gans?
2.4 Из чего состоит автоэнкодер?
2.5 Использование автокодеров
2.6 Неконтролируемое обучение
2.6.1 Новый взгляд на старую идею
2.6.2 Генерация с использованием автоэнкодера
2.6.3 Вариационный автоэнкодер
2.7 Код-это жизнь
2.8 Почему мы попробовали ган?
Резюме
3 Ваш первый gan: генерация рукописных цифр
3.1 Основы ган: состязательная подготовка
3.1.1 Функции затрат
3.1.2 Процесс обучения
3.2 Генератор и дискриминатор
3.2.1 Противоречивые цели
3.2.2 Матрица неточностей
3.3 Алгоритм обучения gan
3.4 Учебное пособие: генерация рукописных цифр
3.4.1 Заявления импортера
3.4.2 Реализация генератора
3.4.3 Реализация дискриминатора
3.4.4 Построение модели
3.4.5 Обучение
3.4.6 Вывод образцов изображений
3.4.7 Запуск модели
3.4.8 Проверка результатов
3.5 Заключение
Резюме
4 Глубоких сверточных ган
4.1 Сверточные нейронные сети
4.1.1 Сверточные фильтры
4.1.2 Совместное использование параметров
4.1.3 Визуализированные конвнеты
4.2 Краткая история dcgan
4.3 Нормализация партии
4.3.1 Понимание нормализации
4.3.2 Вычислительной пакетной нормализации
4.4 Учебное пособие: генерация рукописных цифр с помощью dcgan
4.4.1 Импорт модулей и указание входных размеров модели
4.4.2 Реализация генератора
4.4.3 Реализация дискриминатора
4.4.4 Создание и эксплуатация dcgan
4.4.5 Вывод модели
4.5 Заключение
Резюме
Часть 2: дополнительные темы в gans
5 Обучение и общие проблемы: стремление к успеху
5.1 Оценка
5.1.1 Структура оценки
5.1.2 Начальная оценка
5.1.3 Начальное расстояние фреше
5.2 Задачи обучения
5.2.1 Добавление глубины сети
5.2.2 Настройки игры
5.2.3 Мин-макс gan
5.2.4 Ненасыщенного ган
5.2.5 Когда прекратить обучение
5.2.6 Вассерштейн ган
5.3 Краткое описание настроек игры
5.4 Подготовка хаки
5.4.1 Нормализация входных данных
5.4.2 Пакетной нормализации
5.4.3 Градиентные штрафы
5.4.4 Поезд дискриминатор подробнее
5.4.5 Избегать разреженных градиентов
5.4.6 Мягкие и шумные этикетки
Резюме
6 Продвигаются с ганс
6.1 Скрытая пространственная интерполяция
6.2 Они растут так быстро
6.2.1 Прогрессивное нарастание и сглаживание слоев с более высоким разрешением
6.2.2 Пример реализации
6.2.3 Стандартное отклонение мини-партии
6.2.4 Уравненная скорость обучения
6.2.5 Пиксельная нормализация признаков в генераторе
6.3 Краткое изложение ключевых нововведений
6.4 Концентратор тензорного потока и практические занятия
6.5 Практическое применение
Резюме
7 Полууправляемый ган
7.1 Введение полугосударственного ган
7.1.1 Что такое полууправляемый ган?
7.1.2 Архитектура
7.1.3 Процесс обучения
7.1.4 Цель обучения
7.2 Руководство: внедрение, котор semi-наблюдали ган
7.2.1 Схема архитектуры
7.2.2 Реализация
7.2.3 Настройка
7.2.4 Набор данных
7.2.5 Генератор
7.2.6 Дискриминатор
7.2.7 Построение модели
7.2.8 Обучение
7.3 Сравнение с полностью контролируемым классификатором
7.4 Заключение
Резюме
8 Условный ган
8.1 Мотивация
8.2 Что такое условный ган?
8.2.1 Генератор cgan
8.2.2 Cgan дискриминатор
8.2.3 Сводная таблица
8.2.4 Схема архитектуры
8.3 Учебное пособие: реализация условного gan
8.3.1 Реализация
8.3.2 Настройка
8.3.3 Генератор cgan
8.3.4 Cgan дискриминатор
8.3.5 Построение модели
8.3.6 Обучение
8.3.7 Вывод образцов изображений
8.3.8 Обучить модель
8.3.9 Проверка выходных данных: целевая генерация данных
8.4 Заключение
Резюме
9 Циклеган
9.1 Перевод изображения в изображение
9.2 Цикл-потеря консистенции: туда и обратно аган
9.3 Состязательный проигрыш
9.4 Потери идентичности
9.5 Архитектура
9.5.1 Архитектура cyclegan: построение сети
9.5.2 Архитектура генератора
9.5.3 Архитектура дискриминатора
9.6 Объектно-ориентированное проектирование ган
9.7 Учебное пособие: циклеган
9.7.1 Построение сети
9.7.2 Построение дискриминатора
9.7.3 Запуск циклегана
9.8 Расширения, дополнения и приложения
9.8.1 Дополненный циклеган
9.8.2 Приложения
Резюме
Часть 3: куда идти отсюда
10 Состязательность примеры
10.1 Контексте состязательного примеры
10.2 Ложь, проклятая ложь и раздачи
10.3 Использование и злоупотребление обучением
10.4 Сигнал и шум
10.5 Не вся надежда потеряна
10.6 Противники ганса
10.7 Заключение
Резюме
11 Практическое применение gans
11.1 Ганс в медицине
11.1.1 Использование gans для повышения точности диагностики
11.1.2 Методология
11.1.3 Результаты
11.2 Ганы в моде
11.2.1 Использование gans для проектирования моды
11.2.2 Методология
11.2.3 Создание новых элементов, соответствующих индивидуальным предпочтениям
11.2.4 Настройка существующих элементов для лучшего соответствия индивидуальным предпочтениям
11.3 Заключение
Резюме
12 Взгляд в будущее
12.1 Этика
12.2 Gan инновации
12.2.1 Релятивистский gan
12.2.2 Самостоятельного внимания ган
12.2.2 Самостоятельного внимания ган
12.3 Дополнительная литература
12.4 Оглядываясь назад и закрывая мысли
Резюме
diamail.com.ua/book/9148.html
Для просмотра скрытого содержимого необходимо Войти или Зарегистрироваться.