生成式深度學習

定　價：￥88.00

作　者：	大衛(wèi)·福斯特（David Foster）著
出版社：	中國電力出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥69.00)

ISBN：	9787519853082	出版時間：	2021-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	332	字數(shù)：

內容簡介

　　·學習如何通過變分自動編碼器改變圖像中人物的面部表情。 ·學習如何構建GAN模型，包括風格遷移模型CycleGAN以及音樂生成模型MuseGAN。 ·學習如何通過循環(huán)生成模型來生成文本，以及如何利用注意力機制改善模型。 ·學習如何利用生成模型幫助智能體在強化學習環(huán)境中完成任務。 ·探索Transformer（BERT、GPT-2），以及ProGAN和StyleGAN等圖像生成模型的架構。

作者簡介

　　David Foster是Applied Data Science的聯(lián)合創(chuàng)始人，這是一家數(shù)據科學咨詢公司，為客戶提供創(chuàng)新的解決方案。他擁有英國劍橋三一學院的數(shù)學碩士學位，以及華威大學運籌學碩士學位。

圖書目錄

目錄
前言 .1
第一部分生成式深度學習概述
第1 章生成建模 11
1.1 什么是生成建模？ 11
1.1.1 生成建模與判別建模 13
1.1.2 機器學習的發(fā)展 . 14
1.1.3 生成建模的興起 . 15
1.1.4 生成建模的框架 . 18
1.2 概率生成模型 21
1.2.1 你好，Wrodl ！ 24
1.2.2 你的第一個概率生成模型 . 25
1.2.3 樸素貝葉斯 28
1.2.4 你好，Wrodl ！續(xù)篇 . 31
1.3 生成建模的難題 33
表示學習 34
1.4 設置環(huán)境 37
1.5 小結 40
第2 章深度學習 41
2.1 結構化與非結構化數(shù)據 41
2.2 深度神經網絡 43
Keras 和TensorFlow 44
2.3 第一個深度神經網絡 . 45
2.3.1 加載數(shù)據. 46
2.3.2 建立模型. 48
2.3.3 編譯模型. 52
2.3.4 訓練模型. 54
2.3.5 評估模型. 55
2.4 改進模型 58
2.4.1 卷積層 . 58
2.4.2 批標準化. 64
2.4.3 Dropout 層 . 66
2.4.4 結合所有層 68
2.5 小結 71
第3 章變分自動編碼器 73
3.1 畫展 73
3.2 自動編碼器 . 76
3.2.1 第一個自動編碼器 . 77
3.2.2 編碼器 . 78
3.2.3 解碼器 . 80
3.2.4 連接編碼器與解碼器 82
3.2.5 分析自動編碼器 . 84
3.3 變化后的畫展 87
3.4 構建變分自動編碼器 . 89
3.4.1 編碼器 . 89
3.4.2 損失函數(shù). 94
3.4.3 分析變分自動編碼器 97
3.5 使用VAE 生成面部圖像 98
3.5.1 訓練VAE 99
3.5.2 分析VAE . 102
3.5.3 生成新面孔 . 103
3.5.4 隱空間的算術 104
3.5.5 面部變形 106
3.6 小結 . 107
第4 章生成對抗網絡 108
4.1 神秘獸 108
4.2 生成對抗網絡簡介 111
4.3 第一個生成對抗網絡 112
4.3.1 判別器 113
4.3.2 生成器 115
4.3.3 訓練GAN 119
4.4 GAN 面臨的難題 125
4.4.1 損失震蕩 125
4.4.2 模式收縮 126
4.4.3 不提供信息的損失函數(shù) 126
4.4.4 超參數(shù) 127
4.4.5 解決GAN 面臨的難題 . 127
4.5 WGAN 127
4.5.1 Wasserstein 損失 128
4.5.2 利普希茨約束 130
4.5.3 權重裁剪 131
4.5.4 訓練WGAN 132
4.5.5 分析WGAN 133
4.6 WGAN-GP 134
4.6.1 梯度懲罰損失 135
4.6.2 分析WGAN-GP 139
4.7 小結 . 140
第二部分教機器繪畫、寫作、作曲和玩游戲
第5 章繪畫 145
5.1 蘋果和橙子 146
5.2 CycleGAN 149
5.3 第一個CycleGAN 模型 . 151
5.3.1 簡介 151
5.3.2 生成器（U-Net） 153
5.3.3 判別器 157
5.3.4 編譯CycleGAN 158
5.3.5 訓練CycleGAN 161
5.3.6 分析CycleGAN 162
5.4 創(chuàng)建一個模仿莫奈作品的CycleGAN . 164
5.4.1 生成器（ResNet） 165
5.4.2 分析CycleGAN 166
5.5 神經風格遷移 . 168
5.5.1 內容損失 169
5.5.2 風格損失 172
5.5.3 總方差損失 . 175
5.5.4 運行神經風格遷移 176
5.5.5 分析神經風格遷移模型 177
5.6 小結 . 178
第6 章寫作 179
6.1 壞家伙們的文學社 180
6.2 長短期記憶網絡 181
6.3 第一個LSTM 網絡 182
6.3.1 分詞 183
6.3.2 建立數(shù)據集 . 185
6.3.3 LSTM 架構 . 187
6.3.4 嵌入層 187
6.3.5 LSTM 層 188
6.3.6 LSTM 元胞 . 190
6.4 生成新文本 192
6.5 RNN 擴展 . 196
6.5.1 堆疊式循環(huán)網絡 196
6.5.2 門控制循環(huán)單元 198
6.5.3 雙向元胞 200
6.6 編碼器- 解碼器模型 200
6.7 問答生成器 203
6.7.1 問答數(shù)據集 . 204
6.7.2 模型架構 205
6.7.3 推斷 210
6.7.4 模型的結果 . 212
6.8 小結 . 214
第7 章作曲 215
7.1 前提知識 216
音符 216