總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
實戰GAN:TensorFlow與Keras生成對抗網絡構建
 作  者: (美)喬什•卡林
 出版單位: 電子工業
 出版日期: 2019.11
 進貨日期: 2019/12/11
 ISBN: 9787121374098
 開  本: 16 開    
 定  價: 593
 售  價: 474
  會 員 價: 435
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

開發生成對抗網絡(GAN)是一項複雜的任務,而且通常很難找到能夠幫助大家理解生成對抗網絡的代碼。本書通過包含CycleGAN、SimGAN、DCGAN以及從2D圖像生成3D模型等多個現代GAN實現的樣例來幫助你更好地理解GAN。本書的每章內容都包含了能幫助你快速通過Python、TensorFlow和Keras來構建GAN架構的代碼片段。這些代碼十分易讀,你可以通過它們來構建更為複雜的GAN架構。本書還包含了可以直接使用的DCGAN和Pix2Pix代碼,你可以通過使用真實世界不同的數據集來理解這些複雜的應用。藉助這些易於使用並能快速上手的代碼方案,到了本書的*後,你將會具備處理工作中關於GAN模型問題和挑戰的能力。你將學習:
◎GAN架構的偽代碼表達形式
◎理解自己將會構建的每個GAN模型的通用架構
◎使用TensorFlow和Keras實現不同的GAN架構
◎在GAN模型中使用不同的數據集來訓練神經網絡
◎連接不同的GAN模型並學習如何進行調優
◎製作一個可以生成3D模型的網絡
◎使用Pix2Pix開發一個可以做風格轉換的GAN


內容簡介:

本書通過多個不同的生成對抗網絡(GAN)架構的實現來幫助讀者更好地理解生成對抗網絡背後的原理及其構建方式。書中還提供了大量易於理解並可以直接使用的GAN代碼及其部署方式和數據集,以幫助讀者更快地上手解決工作中所面臨的問題並積極應對相關挑戰。本書適合數據科學家、算法工程師、數據挖掘工程師以及機器學習領域相關的從業人員用來學習使用全新的深度學習技術解決工作中的問題,也適合機器學習和深度學習的愛好者、初學者用來體驗深度學習的魅力。


作者簡介:

Josh Kalin是一位物理學家和技術專家,他關注於機器人和機器學習的交叉領域。Josh致力于先進傳感器、工業機器人、機器學習和自動化車輛項目的研究。他同時擁有物理學、機械工程以及計算機科學的學位。在業餘時間,他喜歡研究車輛(擁有36輛汽車)、組裝計算機,以及學習機器人和機器學習領域的新技術(例如撰寫本書)。
感謝親朋好友對我這個瘋狂想法的支持;感謝我的孩子可以理解我因為GAN而抓頭髮的時刻。希望有一天他們能理解這本書的內容。特別感謝Jeremiah能夠傾聽我關於這本書的嘮叨。最後,要感謝我的妻子:沒有她,這一切都是不可能實現的。正是在她的催促下,我才能順利地完成這本書。

關於評審者
Mayur Ravindra Narkhede在數據科學和工業領域有著豐富的經驗。他是一名擁有計算機科學學士學位以及人工智能碩士學位的研究員。
他也是一位在構建自動化端到端解決方案領域有著豐富經驗的數據科學家,十分擅長應用人工智能(AI)、機器學習、數據挖掘和設計思想等技術來更好地理解業務功能,並對盈利的增長和預測進行改進。
同時,他也曾參與過多個業界領先的解決方案,如機器學習和預測模型在石油、天然氣、財經、道路交通、生命科學等多個領域的應用,以及資產密集型產業的大數據平台構建。


圖書目錄:

序言 1
第1章 什麼是生成對抗網絡 7
簡介 7
生成模型和判別模型 8
工作流程 8
工作原理 9
神經網絡的“愛情故事” 10
工作流程 10
工作原理 11
深度神經網絡 11
工作流程 11
工作原理 12
架構基礎 13
工作流程 13
工作原理 14
基本構建塊——生成器 15
工作流程 15
工作原理 15
基本構建塊——判別器 16
工作流程 16
工作原理 17
基本構建塊——損失函數 18
工作流程 18
工作原理 18
訓練 20
工作流程 20
工作原理 20
以不同方式組織GAN 20
工作流程 21
工作原理 21
GAN的輸出是什麼 22
工作流程 22
工作原理 22
理解GAN架構的優點 24
工作流程 24
工作原理 25
練習 25
第2章 數據優先、環境和數據準備 27
簡介 27
數據是否如此重要 27
準備工作 28
工作流程 28
工作原理 29
更多內容 29
搭建開發環境 29
準備工作 30
工作流程 30
更多內容 35
數據類型 35
準備工作 36
工作流程 36
工作原理 38
更多內容 40
數據預處理 41
準備工作 41
工作流程 41
工作原理 42
更多內容 45
異常數據 46
準備工作 46
工作流程 46
更多內容 49
平衡數據 49
準備工作 49
工作流程 49
更多內容 53
數據強化 54
準備工作 54
工作流程 55
工作原理 56
更多內容 57
練習 58
第3章 用100行代碼實現第一個GAN 59
簡介 59
從理論到實踐——一個簡單例子 59
準備工作 60
工作流程 60
參考內容 62
使用Keras和TensorFlow構建神經網絡 62
準備工作 63
工作流程 63
參考內容 66
解釋你的第一個GAN組件——判別器 66
準備工作 67
工作流程 67
解釋你的第二個GAN組件——生成器 71
準備工作 71
工作流程 71
組合GAN組件 75
準備工作 76
工作流程 76
訓練你的第一個GAN 78
準備工作 78
工作流程 78
訓練模型並理解GAN的輸出 84
準備工作 84
工作流程 84
工作原理 86
練習 87
第4章 使用DCGAN創造新的室外結構 89
簡介 89
什麼是DCGAN?一個簡單的偽代碼樣例 89
準備工作 90
工作流程 90
參考內容 93
工具——是否需要特殊的工具 93
準備工作 93
工作流程 94
更多內容 97
參考內容 97
解析數據——數據是否獨特 97
準備工作 97
工作流程 98
代碼實現——生成器 100
準備工作 100
工作流程 100
參考內容 103
代碼實現——判別器 103
準備工作 104
工作流程 104
參考內容 107
訓練 107
準備工作 107
工作流程 107
評估——如何判斷它是否有效 114
準備工作 115
工作原理 115
調整參數優化性能 116
工作流程 116
練習 118
第5章 Pix2Pix圖像轉換 119
簡介 119
使用偽代碼介紹Pix2Pix 119
準備工作 120
工作流程 120
數據集解析 122
準備工作 122
工作流程 123
代碼實現——生成器 124
準備工作 124
工作流程 125
代碼實現——GAN 127
準備工作 127
工作流程 128
代碼實現——判別器 129
準備工作 129
工作流程 129
訓練 131
準備工作 131
工作流程 132
練習 139
第6章 使用CycleGAN進行圖像風格轉換 141
簡介 141
偽代碼——工作原理 141
準備工作 142
工作流程 142
解析CycleGAN數據集 144
準備工作 144
工作流程 145
代碼實現——生成器 147
準備工作 147
工作流程 148
代碼實現——判別器 150
準備工作 150
工作流程 151
代碼實現——GAN 153
準備工作 153
工作流程 154
訓練 155
準備工作 155
工作流程 156
練習 162
第7章 利用SimGAN使用模擬圖像製作具有真實感的眼球圖片 163
簡介 163
SimGAN架構的工作原理 163
準備工作 164
工作流程 164
偽代碼——工作原理 165
準備工作 165
工作流程 165
如何使用訓練數據 166
準備工作 166
工作流程 166
代碼實現——損失函數 169
準備工作 169
工作流程 169
代碼實現——生成器 170
準備工作 170
工作流程 171
代碼實現——判別器 173
準備工作 173
工作流程 174
代碼實現——GAN 176
準備工作 176
工作流程 177
訓練SimGAN 178
準備工作 178
工作流程 179
練習 183
第8章 使用GAN從圖像生成3D模型 185
簡介 185
使用GAN生成3D模型 185
準備工作 186
工作流程 186
環境準備 188
準備工作 189
工作流程 189
對2D數據進行編碼並匹配3D對象 190
準備工作 191
工作流程 191
代碼實現——生成器 193
準備工作 193
工作流程 194
代碼實現——判別器 196
準備工作 196
工作流程 197
代碼實現——GAN 199
準備工作 199
工作流程 199
訓練模型 200
準備工作 201
工作流程 201
練習 208


章節試讀:

譯者序
生成對抗網絡(GAN)是現在深度學習領域最為火熱的一個分支,在這個領域裡每天都會有新的內容出現。和傳統的監督式機器學習不同,生成對抗網絡創造性地結合了監督式機器學習和無監督式機器學習的方法,自動從原數據中學習特徵和分布,並生成令人驚嘆的結果。學習畫家的創作風格進行繪畫,從2D圖片生成3D模型,對圖片進行風格轉換……通過生成對抗網絡,我們能夠完成這類之前被認為只有人類才能完成的任務,機器學習第一次具有了創造性。
然而生成對抗網絡架構本身十分複雜,調優也很困難,並且存在多個變種,通常很難找到能夠快速上手的代碼。這些門檻都阻擋在生成對抗網絡的愛好者和相關從業人員面前。本書通過多個生成對抗網絡架構的實現來幫助讀者更好地理解生成對抗網絡背後的原理及其使用方法。書中提供了大量易於上手的代碼片段,可以幫助讀者快速搭建起自己的生成對抗網絡模型,並在工作中進行應用。本書的作者Josh Kalin在機器學習領域有著多年的工作經驗,相信他的寶貴經驗能夠給讀者帶來不少收穫。
希望生成對抗網絡能夠成為讀者工作中最重要的“武器”!

序言
開發生成對抗網絡(Generative Adversarial Network,GAN)是一項十分複雜的任務,通常也很難找到很容易就能夠理解的相關代碼。本書將通過多個不同的GAN實現樣例,包括CycleGAN、SimGAN、DCGAN以及使用到GAN的模仿學習來幫助你了解GAN。本書的各章採用了統一的編排結構,使用Python和Keras,幫助你以一種易於理解的方式由淺入深地來了解GAN的架構。
本書覆蓋了多個不同類型的GAN架構來幫助你更好地理解模型的工作原理。你將會學習如何執行諸如生成超解析圖像、文字到圖像的轉換,以及生成帶字幕視頻等任務的關鍵操作步驟。此外,你還會用到DCGAN和deepGAN。為了幫助你在複雜的工作場景下更好地應用這些技術,本書將會使用多個真實世界中的數據集作為示例。
在本書的最後,通過這些易於理解的代碼方案,你應該可以應對工作中和GAN模型相關的問題和挑戰,並能快速地上手實現自己的GAN模型。
本書的目標讀者
本書的目標讀者是數據科學家、機器學習(Machine Learning,ML)開發者,以及需要一個處理GAN領域問題和任務快速索引的深度學習從業者。熟悉機器領域中的相關概念以及工作中使用Python的經驗會幫助你更好地理解本書內容。
本書內容
第1章介紹GAN的架構並介紹每一種實現。
第2章處理與數據相關的基礎工作、數據強化,以及對有大量離群數據的數據集進行平衡。
第3章介紹如何通過Keras、TensorFlow和Docker將我們已經討論過的理論進行具體應用,並製作一個簡單的GAN模型。
第4章介紹構建深度卷積生成對抗網絡(Deep Convolutional Generative Adversarial Network,DCGAN)所需的構建塊。
第5章介紹Pix2Pix的工作流程及其實現。
第6章介紹CycleGAN是什麼,如何解析CycleGAN數據集,以及如何實現CycleGAN。
第7章介紹SimGAN的工作原理及其實現。
第8章介紹3D模型以及使用圖片實現3D模型的技術。
預備知識
熟悉Python的相關基礎知識是閱讀本書的必備條件,了解機器學習的相關概念會幫助你更好地理解本書內容。

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。