生成对抗网络入门指南（第2版） 作者: 史丹青 出版社: 机械工业出版社 副标题: GAN入门佳作时隔3年再升级！支持Tensorflow2，提供全部示例代码。揭秘海量人脸图像生成技术，追踪GAN前沿发展 出版年: 2021-6 页数: 256 定价: 89.00元 装帧: 平装 丛书: 智能系统与技术丛书 ISBN: 9787111683711

内容简介

适读人群： 本书面向机器学习从业人员、在校相关专业学生以及具备一定基础的人工智能领域爱好者。 1、本书第2版跟踪近两年生成对抗网络（GAN）技术的发展和变化，包括离散数据生成、GAN与强化学习的关联、海量级高质量图像生成技术等内容，新增了BigGAN、StyleGAN等图像生成模型的介绍与技术解析。这些内容更新与第1版内容有机地结合，深入浅出地阐述了生成对抗网络技术原理和演进，通过代码实例揭示了生成对抗网络技术实际应用的方法，方便读者学习入门。 2、书中所有示例代码基于Tensorflow2.0进行了更新，全部支持在Tensorflow2.0环境下运行，方便读者上手实践，深入了解技术实现细节。 3、读者可在华章图书网站该书网页下载书中全部示例代码。 从2014年至今，与GAN有关的论文数量急剧增加，从谷歌学术的数据来看，数量仍在不断增加中。究其原因，除了科学研究本身的魅力之外，诸如文本到图像的生成、图像到图像的生成等应用研究也让业界非常兴奋，给人工智能领域带来诸多可能性。 本书是GAN的入门书籍，结合基础理论、工程实践进行讲解，深入浅出地介绍GAN的技术发展以及各类衍生模型。本书面向机器学习从业人员、高校相关专业学生以及具备一定基础的人工智能技术爱好者。书中包含GAN的理论知识与代码实践（示例代码可以从华章官网搜索下载），可帮助读者理解GAN的技术原理与实现细节。 本书主要内容 人工智能入门知识与开发工具 GAN的理论与实践 DCGAN、WGAN、cGAN等主流GAN衍生模型 文本到图像、图像到图像以及离散数据的生成方法 GAN与强化学习的关联 BigGAN、StyleGAN等前沿GAN模型 多媒体与艺术设计领域中的GAN应用

作者简介

史丹青 同济大学博士研究生，专业方向为人工智能与数据设计，在计算机顶级会议上发表多篇智能生成相关论文。曾担任语忆科技联合创始人兼技术负责人，拥有多年人工智能领域创业与实战经验，具备深度学习、自然语言处理以及数据可视化等相关知识与技能。他是人工智能技术的爱好者，喜欢拥抱一切新兴科技，并始终坚信技术分享和开源精神的力量。

网友热评

金鱼马: 200多页卖90块钱 你这书是金子做的还是银子做的 豆辦史密罗夫: 写的挺烂的，很多关键的概念讲的不是很清楚，不建议阅读

图书目录

第1章人工智能入门1 1.1人工智能的历史以及发展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8 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18 1.4本章小结20 第2章预备知识与开发工具21 2.1Python语言与开发框架21 2.1.1Python语言21 2.1.2常用工具简介23 2.1.3第三方框架简介26 2.2TensorFlow基础入门27 2.2.1TensorFlow简介与安装27 2.2.2TensorFlow实例：图像分类30 2.3Keras基础入门32 2.3.1Keras简介与安装32 2.3.2Keras使用入门34 2.3.3Keras实例：文本情感分析37 2.4本章小结39 第3章理解生成对抗网络40 3.1生成模型40 3.1.1生成模型简介40 3.1.2自动编码器42 3.1.3变分自动编码器44 3.2GAN的数学原理47 3.2.1最大似然估计47 3.2.2GAN的数学推导50 3.3GAN的可视化理解54 3.4GAN的工程实践55 3.5本章小结63 第4章深度卷积生成对抗网络64 4.1DCGAN的框架64 4.1.1DCGAN设计规则64 4.1.2DCGAN框架结构68 4.2DCGAN的工程实践69 4.3DCGAN的实验性应用77 4.3.1生成图像的变换77 4.3.2生成图像的算术运算79 4.3.3残缺图像的补全81 4.4本章小结83 第5章WassersteinGAN84 5.1GAN的优化问题84 5.2WGAN的理论研究88 5.3WGAN的工程实践91 5.4WGAN的实验效果分析95 5.4.1代价函数与生成质量的相关性95 5.4.2生成网络的稳定性96 5.4.3模式崩溃问题99 5.5WGAN的改进方案：WGAN-GP99 5.6本章小结103 第6章不同结构的GAN104 6.1GAN与监督式学习104 6.1.1条件式生成：cGAN104 6.1.2cGAN在图像上的应用106 6.2GAN与半监督式学习109 6.2.1半监督式生成：SGAN109 6.2.2辅助分类生成：ACGAN111 6.3GAN与无监督式学习112 6.3.1无监督式学习与可解释型特征112 6.3.2理解InfoGAN114 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：GAWWN124 7.3文本到高质量图像的生成127 7.3.1层级式图像生成：StackGAN128 7.3.2层级式图像生成的优化：StackGAN-v2133 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：iGAN136 8.1.1可交互图像转换的用途136 8.1.2iGAN的实现方法138 8.1.3iGAN软件简介与使用方法141 8.2匹配数据图像转换：Pix2Pix144 8.2.1理解匹配数据的图像转换144 8.2.2Pix2Pix的理论基础146 8.2.3Pix2Pix的应用实践150 8.3非匹配数据图像转换：CycleGAN157 8.3.1理解非匹配数据的图像转换157 8.3.2CycleGAN的理论基础162 8.3.3CycleGAN的应用实践165 8.4多领域图像转换：StarGAN171 8.4.1多领域的图像转换问题171 8.4.2StarGAN的理论基础174 8.4.3StarGAN的应用实践177 8.5本章小结182 第9章序列数据的生成183 9.1序列生成的问题183 9.2GAN的序列生成方法184 9.3自然语言生成187 9.4本章小结191 第10章GAN与强化学习及逆向强化学习192 10.1GAN与强化学习192 10.1.1强化学习基础192 10.1.2Actor-Critic195 10.1.3GAN与强化学习的关联196 10.2GAN与逆向强化学习197 10.2.1逆向强化学习基础197 10.2.2经典IRL算法198 10.2.3GAN的模仿学习：GAIL200 10.3本章小结201 第11章新一代GAN202 11.1GAN的评估方法202 11.2GAN的进化205 11.2.1SNGAN与SAGAN205 11.2.2BigGAN206 11.2.3StyleGAN208 11.3本章小结210 第12章GAN的应用与发展211 12.1多媒体领域的应用211 12.1.1图像处理211 12.1.2音频合成218 12.2艺术领域的应用221 12.2.1AI能否创造艺术221 12.2.2AI与计算机艺术的发展223 12.2.3艺术生成网络：从艺术模仿到创意生成231 12.3设计领域的应用238 12.3.1AI时代的设计238 12.3.2AI辅助式设计的研究240 12.4安全领域的应用249 12.5本章小结252 参考文献253