Praktyczne generatywne sieci kontradyktoryjne z PyTorch 1.x

Opinie czytelników

Książka została dobrze przyjęta ze względu na przejrzyste przykłady w PyTorch i solidne omówienie kluczowych tematów związanych z GAN, chociaż niektórzy użytkownicy uważają, że wyjaśnienia można poprawić.

⬤ Przejrzyste przykłady w PyTorch
⬤ doskonałe omówienie kluczowych tematów związanych z GAN
⬤ bardzo dydaktyczne wyjaśnienia kodu.

Wyjaśnienia mogłyby zostać poprawione; niektórzy użytkownicy sugerują, że powinna być używana razem z innymi książkami dla lepszego zrozumienia.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Hands-On Generative Adversarial Networks with PyTorch 1.x

Zawartość książki:

Zastosuj techniki głębokiego uczenia i metodologie sieci neuronowych do budowania, trenowania i optymalizacji modeli sieci generatywnych Kluczowe cechy Zaimplementuj architektury GAN do generowania obrazów, tekstu, dźwięku, modeli 3D i nie tylko Zrozum, jak działają GAN i zostań aktywnym współtwórcą w społeczności open source Dowiedz się, jak generować fotorealistyczne obrazy na podstawie opisów tekstowych Opis książki

Dzięki stale rozwijającym się badaniom i rozwojowi, Generative Adversarial Networks (GAN) są kolejną wielką rzeczą w dziedzinie głębokiego uczenia się. Ta książka podkreśla kluczowe ulepszenia GAN w stosunku do modeli generatywnych i prowadzi w jak najlepszym wykorzystaniu GAN za pomocą praktycznych przykładów.

Książka ta rozpoczyna się od omówienia podstawowych pojęć niezbędnych do zrozumienia, jak działa każdy komponent modelu GAN. Zbudujesz swój pierwszy model GAN, aby zrozumieć, jak działają sieci generatora i dyskryminatora. W miarę postępów zagłębisz się w szereg przykładów i zbiorów danych, aby zbudować różnorodne sieci GAN przy użyciu funkcji i usług PyTorch, a także dobrze poznasz architektury, strategie uczenia i metody oceny generowania, tłumaczenia i przywracania obrazów. Dowiesz się nawet, jak stosować modele GAN do rozwiązywania problemów w takich obszarach jak wizja komputerowa, multimedia, modele 3D i przetwarzanie języka naturalnego (NLP). W książce omówiono sposoby przezwyciężania wyzwań napotykanych podczas budowania modeli generatywnych od podstaw. Wreszcie, dowiesz się również, jak trenować modele GAN w celu generowania przeciwstawnych przykładów do atakowania innych modeli CNN i GAN.

Pod koniec tej książki dowiesz się, jak budować, trenować i optymalizować modele GAN nowej generacji oraz wykorzystywać je do rozwiązywania różnych rzeczywistych problemów. Czego się nauczysz Zaimplementuj najnowsze funkcje PyTorch, aby zapewnić wydajne projektowanie modeli Zapoznaj się z mechanizmami działania modeli GAN Wykonuj transfer stylów między niesparowanymi kolekcjami obrazów za pomocą CycleGAN Buduj i trenuj 3D-GAN, aby wygenerować chmurę punktów obiektów 3D Twórz szereg modeli GAN do wykonywania różnych operacji syntezy obrazu Użyj SEGAN do tłumienia szumów i poprawy jakości dźwięku mowy Dla kogo jest ta książka?

Ta książka GAN jest przeznaczona dla praktyków uczenia maszynowego i badaczy głębokiego uczenia, którzy chcą uzyskać praktyczne wskazówki dotyczące wdrażania modeli GAN przy użyciu PyTorch. Zapoznasz się z najnowocześniejszymi architekturami GAN za pomocą rzeczywistych przykładów. Praktyczna znajomość języka programowania Python jest niezbędna do zrozumienia pojęć omówionych w tej książce. Spis treści Podstawy Generative Adversarial Networks Pierwsze kroki z PyTorch 1. 3 Najlepsze praktyki projektowania i trenowania modeli Tworzenie pierwszej sieci GAN za pomocą PyTorch Generowanie obrazów na podstawie informacji o etykietach Tłumaczenie obrazu na obraz i jego zastosowania Przywracanie obrazów za pomocą sieci GAN Trenowanie sieci GAN w celu łamania różnych modeli Generowanie obrazów na podstawie opisów Synteza sekwencji tekstowych za pomocą sieci GAN Rekonstrukcja modeli 3D za pomocą sieci GAN