1.1 PyTorch入门 001
1.2 初试PyTorch神经网络 018
1.3 改良方法 043
1.4 CUDA基础知识 054
第 2 章 GAN初步 064
2.1 GAN的概念 064
2.2 生成1010格式规律 072
2.3 生成手写数字 090
2.4 生成人脸图像 117
第 3 章 卷积GAN和条件式GAN 140
3.1 卷积GAN 140
3.2 条件式GAN 166
3.3 结语 176
附录A 理想的损失值 178
A.1 MSE损失 178
A.2 BCE损失 179
附录B GAN学习可能性 186
B.1 GAN不会记忆训练数据 186
B.2 简单的例子 187
B.3 从一个概率分布中生成图像 188
B.4 为图像特征学习像素组合 189
B.5 多模式以及模式崩溃 190
附录C 卷积案例 191
C.1 例1: 卷积，步长为1，无补全 191
C.2 例2: 卷积，步长为2，无补全 192
C.3 例3: 卷积，步长为2，有补全 193
C.4 例4: 卷积，不完全覆盖 194
C.5 例5: 转置卷积，步长为2，无补全 194
C.6 例6: 转置卷积，步长为1，无补全 196
C.7 例7: 转置卷积，步长为2，有补全 197
C.8 计算输出大小 197
附录D 不稳定学习 199
D.1 梯度下降是否适用于训练GAN 199
D.2 简单的对抗案例 199
D.3 梯度下降并不适合对抗博弈 203
D.4 为什么是圆形轨迹 204
附录E 相关数据集和软件 205
E.1 MNIST数据集 205
E.2 CelebA数据集 205
E.3 英伟达和谷歌 206
E.4 开源软件 206
· · · · · · (收起)
具体描述
畅销书《Python神经网络编程》作者最新力作；
全彩印刷，配套示例代码，图文并茂，易懂实用；
从零开始，用PyTorch构建自己的生成对抗网络。
生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的一颗新星，被誉为“机器 学习领域近 20 年来最酷的想法”。
本书以直白、简短的方式向读者介绍了生成对抗网络，指导读者如何使用PyTorch 按部就班地编写生成对抗网络。
全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。
本书适合想初步了解GAN以及其工作原理的读者，也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。
用户评价
##由浅入深逐步引导，非常适合入门
评分##挺有趣的一本书，风格和作者的第一本书一致，不过我并没有运行CelebA数据库相关的代码，这本书向我们讲述了生成对抗网络，包括卷积Gan和条件式Gan,循序渐进地从实践中讲明白一些基本都原理。这本书的作用在于入门，读起来挺快的。
评分##挺有趣的一本书，风格和作者的第一本书一致，不过我并没有运行CelebA数据库相关的代码，这本书向我们讲述了生成对抗网络，包括卷积Gan和条件式Gan,循序渐进地从实践中讲明白一些基本都原理。这本书的作用在于入门，读起来挺快的。
评分##只能用屌炸天来形容！！！
评分##小错误不少
评分##花了一个礼拜左右跑完了大部分代码，是真的很有趣，不过要自己设计实力均衡的Discriminator与Generator还需要更多的知识扩展
评分##小错误不少
评分##深入浅出的介绍了GAN，顺便加深了对交叉熵损失函数的理解
评分##入门级读物，通过最基础最简单的方式带你入门，读懂代码。一本很不错的读物，但缺乏广度 。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 book.qciss.net All Rights Reserved. 图书大百科 版权所有