Ocena:
Książka stanowi wprowadzenie do modeli generatywnych, obejmując szeroki zakres tematów, narzędzi i aplikacji, w tym praktyczne przykłady kodowania. Jest odpowiednia zarówno dla początkujących, jak i doświadczonych praktyków, choć ma pewne niedociągnięcia w strukturze i przydatności niektórych treści.
Zalety:⬤ Kompleksowe omówienie modeli generatywnych i ich zastosowań.
⬤ Praktyczne przykłady kodowania przy użyciu TensorFlow i Keras.
⬤ Szczegółowe samouczki dotyczące konfigurowania środowisk programistycznych.
⬤ Przemawia do szerokiego grona odbiorców, wyjaśniając złożone tematy w przystępny sposób.
⬤ Dobra organizacja podstawowych koncepcji prowadzących do praktycznych projektów.
⬤ Niektóre rozdziały są powtarzalne i zawierają niepotrzebne treści.
⬤ Przykłady kodowania nie zawsze działają, co prowadzi do nieporozumień.
⬤ Struktura książki jest krytykowana za słabą organizację i błędy merytoryczne.
⬤ Przykłady w NLP są postrzegane jako słabsze w porównaniu z sekcjami obraz / dźwięk.
⬤ Niektóre tematy, takie jak uczenie ze wzmocnieniem, nie są istotne dla głównego skupienia się na modelach generatywnych.
(na podstawie 21 opinii czytelników)
Generative AI with Python and TensorFlow 2: Create images, text, and music with VAEs, GANs, LSTMs, Transformer models
Implementacja klasycznych i głębokich modeli generatywnych na praktycznych przykładach
Kluczowe cechy:
⬤ Odkryj kreatywne i podobne do ludzkich możliwości sztucznej inteligencji i generuj imponujące wyniki.
⬤ Wykorzystaj najnowsze badania, aby poszerzyć swoją wiedzę poza tę książkę.
⬤ Eksperymentuj z praktycznymi implementacjami TensorFlow 2.x najnowocześniejszych modeli generatywnych.
Opis książki:
W ostatnich latach sztuczna inteligencja generatywna odegrała kluczową rolę w tworzeniu od podstaw realistycznych danych (obrazów, mowy, wideo, muzyki i tekstu). W tej książce dowiesz się, w jaki sposób te potężne modele są tworzone ze stosunkowo prostych bloków konstrukcyjnych i jak można je dostosować do własnych przypadków użycia.
Zaczniesz od skonfigurowania czystych środowisk kontenerowych dla Pythona i zapoznania się z podstawami głębokich sieci neuronowych, poznając podstawowe pojęcia, takie jak perceptron, funkcje aktywacji, propagacja wsteczna i sposób, w jaki wszystkie są ze sobą powiązane. Po opanowaniu podstaw dogłębnie zbadasz głębokie modele generatywne, w tym generatory wiadomości OpenAI z serii GPT, sieci do transferu stylu i deepfakes oraz synergię z uczeniem się ze wzmocnieniem.
W miarę postępów będziesz koncentrować się na abstrakcjach tam, gdzie jest to przydatne, i zrozumiesz "nakrętki i śruby" tego, jak modele są komponowane w kodzie, poparte szczegółowymi diagramami architektury. Książka kończy się wieloma praktycznymi projektami generowania muzyki, obrazów, tekstu i mowy przy użyciu metod, których nauczyłeś się w poprzednich rozdziałach, łącząc warstwy TensorFlow, funkcje użytkowe i pętle treningowe, aby odkryć powiązania między różnymi trybami generowania.
Pod koniec tej książki zdobędziesz wiedzę umożliwiającą tworzenie i wdrażanie własnych generatywnych modeli sztucznej inteligencji.
Czego się nauczysz:
⬤ Wdrażać sparowany i niesparowany transfer stylu za pomocą sieci takich jak StyleGAN.
⬤ Wykorzystywać punkty orientacyjne twarzy, autoenkodery i pix2pix GAN do tworzenia deepfake'ów.
⬤ Zbuduj kilka potoków generowania tekstu opartych na LSTM, BERT i GPT-2, ucząc się, jak uwaga i transformatory zmieniły krajobraz NLP.
⬤ Komponowanie muzyki przy użyciu modeli LSTM, prostych generatywnych sieci przeciwstawnych i skomplikowanego MuseGAN.
⬤ Trenowanie agenta głębokiego uczenia, aby poruszał się po symulowanym środowisku fizycznym.
⬤ Odkryj nowe zastosowania generatywnej sztucznej inteligencji, takie jak składanie białek i tworzenie filmów z obrazów.
Dla kogo jest ta książka:
Ta książka spodoba się programistom Pythona, doświadczonym modelarzom i inżynierom uczenia maszynowego, którzy chcą dowiedzieć się o tworzeniu i wdrażaniu modeli generatywnych. Aby jak najlepiej wykorzystać tę książkę, powinieneś mieć podstawową znajomość teorii prawdopodobieństwa, algebry liniowej i głębokiego uczenia się.