未读消息消息

购物车

我的订单

个人中心

店铺

我的订单收藏

拍卖

拍卖交易我的竞拍收藏

我的好友资金账户

卖家中心

客服 |

帮助中心 9:00-20:30 在线留言

客服电话

010-89648155

服务时间

客服咨询 8:00-21:00

纠纷处理 9:00-21:00

图书审核 9:00-18:00

监督与建议

请选择

手机孔网

生成式深度学习

作者: [美] 大卫.福斯特（David Foster）

出版社: 中国电力出版社

出版时间: 2021-04

版次: 1

ISBN: 9787519853082

定价: 88.00

装帧: 其他

开本: 16开

纸张: 胶版纸

分类: 计算机与互联网

2 张插图图片

21人买过

学习如何通过变分自动编码器改变图像中人物的面部表情。
  学习如何构建GAN模型，包括风格迁移模型CycleGAN以及音乐生成模型MuseGAN。
  学习如何通过循环生成模型来生成文本，以及如何利用注意力机制改善模型。
  学习如何利用生成模型帮助智能体在强化学习环境中完成任务。
  探索Transformer（BERT、GPT-2），以及ProGAN和StyleGAN等图像生成模型的架构。 David Foster是Applied Data Science的联合创始人，这是一家数据科学咨询公司，为客户提供创新的解决方案。他拥有英国剑桥三一学院的数学硕士学位，以及华威大学运筹学硕士学位。

目录

前言 .1

第一部分生成式深度学习概述

第1 章生成建模  11

1.1 什么是生成建模？  11

1.1.1 生成建模与判别建模  13

1.1.2 机器学习的发展 . 14

1.1.3 生成建模的兴起 . 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 你的第一个概率生成模型 . 25

1.2.3 朴素贝叶斯  28

1.2.4 你好，Wrodl ！续篇 . 31

1.3 生成建模的难题  33

表示学习  34

1.4 设置环境  37

1.5 小结  40

第2 章深度学习 41

2.1 结构化与非结构化数据  41

2.2 深度神经网络  43

Keras 和TensorFlow  44

2.3 第一个深度神经网络 . 45

2.3.1 加载数据. 46

2.3.2 建立模型. 48

2.3.3 编译模型. 52

2.3.4 训练模型. 54

2.3.5 评估模型. 55

2.4 改进模型  58

2.4.1 卷积层 . 58

2.4.2 批标准化. 64

2.4.3 Dropout 层 . 66

2.4.4 结合所有层  68

2.5 小结  71

第3 章变分自动编码器 73

3.1 画展  73

3.2 自动编码器 . 76

3.2.1 第一个自动编码器 . 77

3.2.2 编码器 . 78

3.2.3 解码器 . 80

3.2.4 连接编码器与解码器  82

3.2.5 分析自动编码器 . 84

3.3 变化后的画展  87

3.4 构建变分自动编码器 . 89

3.4.1 编码器 . 89

3.4.2 损失函数. 94

3.4.3 分析变分自动编码器  97

3.5 使用VAE 生成面部图像  98

3.5.1 训练VAE  99

3.5.2 分析VAE . 102

3.5.3 生成新面孔 . 103

3.5.4 隐空间的算术  104

3.5.5 面部变形 106

3.6 小结 . 107

第4 章生成对抗网络  108

4.1 神秘兽  108

4.2 生成对抗网络简介  111

4.3 第一个生成对抗网络  112

4.3.1 判别器  113

4.3.2 生成器  115

4.3.3 训练GAN  119

4.4 GAN 面临的难题  125

4.4.1 损失震荡 125

4.4.2 模式收缩 126

4.4.3 不提供信息的损失函数  126

4.4.4 超参数  127

4.4.5 解决GAN 面临的难题 . 127

4.5 WGAN  127

4.5.1 Wasserstein 损失  128

4.5.2 利普希茨约束  130

4.5.3 权重裁剪 131

4.5.4 训练WGAN  132

4.5.5 分析WGAN  133

4.6 WGAN-GP  134

4.6.1 梯度惩罚损失  135

4.6.2 分析WGAN-GP  139

4.7 小结 . 140

第二部分教机器绘画、写作、作曲和玩游戏

第5 章绘画  145

5.1 苹果和橙子  146

5.2 CycleGAN  149

5.3 第一个CycleGAN 模型 . 151

5.3.1 简介  151

5.3.2 生成器（U-Net）  153

5.3.3 判别器  157

5.3.4 编译CycleGAN  158

5.3.5 训练CycleGAN  161

5.3.6 分析CycleGAN  162

5.4 创建一个模仿莫奈作品的CycleGAN . 164

5.4.1 生成器（ResNet）  165

5.4.2 分析CycleGAN  166

5.5 神经风格迁移 . 168

5.5.1 内容损失 169

5.5.2 风格损失 172

5.5.3 总方差损失 . 175

5.5.4 运行神经风格迁移  176

5.5.5 分析神经风格迁移模型  177

5.6 小结 . 178

第6 章写作  179

6.1 坏家伙们的文学社  180

6.2 长短期记忆网络  181

6.3 第一个LSTM 网络  182

6.3.1 分词  183

6.3.2 建立数据集 . 185

6.3.3 LSTM 架构 . 187

6.3.4 嵌入层  187

6.3.5 LSTM 层  188

6.3.6 LSTM 元胞 . 190

6.4 生成新文本  192

6.5 RNN 扩展 . 196

6.5.1 堆叠式循环网络  196

6.5.2 门控制循环单元  198

6.5.3 双向元胞 200

6.6 编码器- 解码器模型  200

6.7 问答生成器  203

6.7.1 问答数据集 . 204

6.7.2 模型架构 205

6.7.3 推断  210

6.7.4 模型的结果 . 212

6.8 小结 . 214

第7 章作曲  215

7.1 前提知识  216

音符  216

7.2 第一个生成音乐的RNN  219

7.2.1 注意力  220

7.2.2 使用Keras 建立注意力机制  222

7.2.3 分析注意力RNN . 226

7.2.4 编码器- 解码器网络中的注意力 . 232

7.2.5 生成复音音乐  236

7.3 MuseGAN . 237

7.4 第一个MuseGAN . 238

7.5 MuseGAN 生成器 . 241

7.5.1 和弦、风格、旋律和律动  242

7.5.2 小节生成器 . 245

7.5.3 汇总  246

7.6 评论者  248

7.7 分析MuseGAN  249

7.8 小结 . 251

第8 章玩游戏  253

8.1 强化学习  254

OpenAI Gym . 256

8.2 世界模型架构 . 257

8.2.1 变分自动编码器  258

8.2.2 MDN-RNN . 259

8.2.3 控制器  260

8.3 设定 . 261

8.4 训练过程概述 . 262

8.5 收集随机rollout 数据 . 263

8.6 训练VAE  266

8.6.1 VAE 架构 . 268

8.6.2 探索VAE . 270

8.7 收集训练RNN 的数据  273

8.8 训练MDN-RNN  274

8.8.1 MDN-RNN 的架构 . 275

8.8.2 从MDN-RNN 中采样下一个z 和奖励 . 276

8.8.3 MDN-RNN 的损失函数  277

8.9 训练控制器  279

8.9.1 控制器的架构  280

8.9.2 CMA-ES  281

8.9.3 并行CMA-ES  283

8.9.4 控制器训练的输出结果  285

8.10 在想象环境中训练 . 286

8.10.1 在想象环境中训练控制器 . 288

8.10.2 在想象环境中训练的挑战. 290

8.11 小结  291

第9 章生成建模的未来 . 292

9.1 五年的进步  292

9.2 Transformer  294

9.2.1 位置编码 295

9.2.2 多头注意力 . 297

9.2.3 解码器  299

9.2.4 Transformer 的分析  299

9.2.5 BERT . 301

9.2.6 GPT-2  301

9.2.7 MuseNet  302

9.3 图像生成的进步  303

9.3.1 ProGAN  303

9.3.2 自我注意力GAN（SAGAN） . 305

9.3.3 BigGAN  306

9.3.4 StyleGAN  307

9.4 生成建模的应用  310

9.4.1 AI 艺术 . 311

9.4.2 AI 音乐 . 311

第10 章总结 . 314

作者介绍  317

封面介绍  317
内容简介:
学习如何通过变分自动编码器改变图像中人物的面部表情。
  学习如何构建GAN模型，包括风格迁移模型CycleGAN以及音乐生成模型MuseGAN。
  学习如何通过循环生成模型来生成文本，以及如何利用注意力机制改善模型。
  学习如何利用生成模型帮助智能体在强化学习环境中完成任务。
  探索Transformer（BERT、GPT-2），以及ProGAN和StyleGAN等图像生成模型的架构。
作者简介:
David Foster是Applied Data Science的联合创始人，这是一家数据科学咨询公司，为客户提供创新的解决方案。他拥有英国剑桥三一学院的数学硕士学位，以及华威大学运筹学硕士学位。
目录:
目录

前言 .1

第一部分生成式深度学习概述

第1 章生成建模  11

1.1 什么是生成建模？  11

1.1.1 生成建模与判别建模  13

1.1.2 机器学习的发展 . 14

1.1.3 生成建模的兴起 . 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 你的第一个概率生成模型 . 25

1.2.3 朴素贝叶斯  28

1.2.4 你好，Wrodl ！续篇 . 31

1.3 生成建模的难题  33

表示学习  34

1.4 设置环境  37

1.5 小结  40

第2 章深度学习 41

2.1 结构化与非结构化数据  41

2.2 深度神经网络  43

Keras 和TensorFlow  44

2.3 第一个深度神经网络 . 45

2.3.1 加载数据. 46

2.3.2 建立模型. 48

2.3.3 编译模型. 52

2.3.4 训练模型. 54

2.3.5 评估模型. 55

2.4 改进模型  58

2.4.1 卷积层 . 58

2.4.2 批标准化. 64

2.4.3 Dropout 层 . 66

2.4.4 结合所有层  68

2.5 小结  71

第3 章变分自动编码器 73

3.1 画展  73

3.2 自动编码器 . 76

3.2.1 第一个自动编码器 . 77

3.2.2 编码器 . 78

3.2.3 解码器 . 80

3.2.4 连接编码器与解码器  82

3.2.5 分析自动编码器 . 84

3.3 变化后的画展  87

3.4 构建变分自动编码器 . 89

3.4.1 编码器 . 89

3.4.2 损失函数. 94

3.4.3 分析变分自动编码器  97

3.5 使用VAE 生成面部图像  98

3.5.1 训练VAE  99

3.5.2 分析VAE . 102

3.5.3 生成新面孔 . 103

3.5.4 隐空间的算术  104

3.5.5 面部变形 106

3.6 小结 . 107

第4 章生成对抗网络  108

4.1 神秘兽  108

4.2 生成对抗网络简介  111

4.3 第一个生成对抗网络  112

4.3.1 判别器  113

4.3.2 生成器  115

4.3.3 训练GAN  119

4.4 GAN 面临的难题  125

4.4.1 损失震荡 125

4.4.2 模式收缩 126

4.4.3 不提供信息的损失函数  126

4.4.4 超参数  127

4.4.5 解决GAN 面临的难题 . 127

4.5 WGAN  127

4.5.1 Wasserstein 损失  128

4.5.2 利普希茨约束  130

4.5.3 权重裁剪 131

4.5.4 训练WGAN  132

4.5.5 分析WGAN  133

4.6 WGAN-GP  134

4.6.1 梯度惩罚损失  135

4.6.2 分析WGAN-GP  139

4.7 小结 . 140

第二部分教机器绘画、写作、作曲和玩游戏

第5 章绘画  145

5.1 苹果和橙子  146

5.2 CycleGAN  149

5.3 第一个CycleGAN 模型 . 151

5.3.1 简介  151

5.3.2 生成器（U-Net）  153

5.3.3 判别器  157

5.3.4 编译CycleGAN  158

5.3.5 训练CycleGAN  161

5.3.6 分析CycleGAN  162

5.4 创建一个模仿莫奈作品的CycleGAN . 164

5.4.1 生成器（ResNet）  165

5.4.2 分析CycleGAN  166

5.5 神经风格迁移 . 168

5.5.1 内容损失 169

5.5.2 风格损失 172

5.5.3 总方差损失 . 175

5.5.4 运行神经风格迁移  176

5.5.5 分析神经风格迁移模型  177

5.6 小结 . 178

第6 章写作  179

6.1 坏家伙们的文学社  180

6.2 长短期记忆网络  181

6.3 第一个LSTM 网络  182

6.3.1 分词  183

6.3.2 建立数据集 . 185

6.3.3 LSTM 架构 . 187

6.3.4 嵌入层  187

6.3.5 LSTM 层  188

6.3.6 LSTM 元胞 . 190

6.4 生成新文本  192

6.5 RNN 扩展 . 196

6.5.1 堆叠式循环网络  196

6.5.2 门控制循环单元  198

6.5.3 双向元胞 200

6.6 编码器- 解码器模型  200

6.7 问答生成器  203

6.7.1 问答数据集 . 204

6.7.2 模型架构 205

6.7.3 推断  210

6.7.4 模型的结果 . 212

6.8 小结 . 214

第7 章作曲  215

7.1 前提知识  216

音符  216

7.2 第一个生成音乐的RNN  219

7.2.1 注意力  220

7.2.2 使用Keras 建立注意力机制  222

7.2.3 分析注意力RNN . 226

7.2.4 编码器- 解码器网络中的注意力 . 232

7.2.5 生成复音音乐  236

7.3 MuseGAN . 237

7.4 第一个MuseGAN . 238

7.5 MuseGAN 生成器 . 241

7.5.1 和弦、风格、旋律和律动  242

7.5.2 小节生成器 . 245

7.5.3 汇总  246

7.6 评论者  248

7.7 分析MuseGAN  249

7.8 小结 . 251

第8 章玩游戏  253

8.1 强化学习  254

OpenAI Gym . 256

8.2 世界模型架构 . 257

8.2.1 变分自动编码器  258

8.2.2 MDN-RNN . 259

8.2.3 控制器  260

8.3 设定 . 261

8.4 训练过程概述 . 262

8.5 收集随机rollout 数据 . 263

8.6 训练VAE  266

8.6.1 VAE 架构 . 268

8.6.2 探索VAE . 270

8.7 收集训练RNN 的数据  273

8.8 训练MDN-RNN  274

8.8.1 MDN-RNN 的架构 . 275

8.8.2 从MDN-RNN 中采样下一个z 和奖励 . 276

8.8.3 MDN-RNN 的损失函数  277

8.9 训练控制器  279

8.9.1 控制器的架构  280

8.9.2 CMA-ES  281

8.9.3 并行CMA-ES  283

8.9.4 控制器训练的输出结果  285

8.10 在想象环境中训练 . 286

8.10.1 在想象环境中训练控制器 . 288

8.10.2 在想象环境中训练的挑战. 290

8.11 小结  291

第9 章生成建模的未来 . 292

9.1 五年的进步  292

9.2 Transformer  294

9.2.1 位置编码 295

9.2.2 多头注意力 . 297

9.2.3 解码器  299

9.2.4 Transformer 的分析  299

9.2.5 BERT . 301

9.2.6 GPT-2  301

9.2.7 MuseNet  302

9.3 图像生成的进步  303

9.3.1 ProGAN  303

9.3.2 自我注意力GAN（SAGAN） . 305

9.3.3 BigGAN  306

9.3.4 StyleGAN  307

9.4 生成建模的应用  310

9.4.1 AI 艺术 . 311

9.4.2 AI 音乐 . 311

第10 章总结 . 314

作者介绍  317

封面介绍  317

查看详情

生成式深度学习

内容简介:

作者简介:

目录: