本书首先从Python 基本语法开始讨论，逐步介绍必备的数学知识与神经网络的基本知识，并利用讨论的内容编写一个深度学习框架TensorPy，有了这些知识作为铺垫后，就开始讨论生成对抗网络（GAN）相关的内容。然后，本书使用比较简单的语言来描述GAN 涉及的思想、模型与数学原理，接着便通过TensorFlow实现传统的GAN，并讨论为何一定需要生成器或判别器。接下来，重点介绍GAN 各种常见的变体，包括卷积生成对抗网络、条件对抗生成网络、循环一致性、改进生成对抗网络、渐近增强式生成对抗网络等内容。
本书从模型与数学的角度来理解GAN 变体，希望通过数学符号表达出不同GAN 变体的核心思想，适合人工智能、机器学习、计算机视觉相关专业的人员学习使用。
作者简介:
廖茂文：游戏AI研究员、高级工程师、中国人工智能学会高级会员。研究兴趣为自然语言处理、生成对抗网络、游戏AI，曾参与多项机器学习项目。 潘志宏：高级工程师，中山大学新华学院“百名骨干教师”，中国人工智能学会高级会员、中国计算机学会会员。研究兴趣为机器学习、深度学习、物联网。主持和参与省市级、校级项目10余项，其中主持广东省普通高校青年创新人才项目、教育部产学合作协同育人项目各一项。发表论文18篇，其中SCI、EI、北大核心期刊12篇，第一作者论文获得北大核心期刊优秀论文、东莞市计算机学会优秀论文。申请发明专利、实用新型专利共8项，其中已授权3项，获得软件著作权3项，已出版教材3部。指导学生获得***和省级竞赛奖项50余项，多次获得国家级和省级优秀指导教师奖。
目录:
第 1 章 优雅Python 1
1．1 Anaconda 1
1．2 Python 基础 4
1．3 Python 进阶 8
1．4 小结 13
第 2 章 优雅的数学 14
2．1 向量与矩阵 14
2．2 微积分 24
2．3 概率论 34
2．4 信息论 41
2．5 小结 46
第3 章 初识神经网络 47
3．1 什么是神经网络 47
3．2 神经网络中常见的概念 55
3．3 动手实现深度学习框架TensorPy 71
3．4 TensorFlow 简介 89
3．5 小结 99
第4 章 初识生成对抗网络 101
4．1 什么是生成对抗网络 101
4．2 GAN 基本原理 104
4．3 TensorFlow 实现朴素GAN 108
4．4 关于GAN 的几个问题 117
4．5 小结 122
第5 章 生成对抗网络的数学原理 123
5．1 拟合真实分布 123
5．2 生成对抗网络 127
5．3 统一框架F-GAN 134
5．4 GAN 训练过程可视化 139
5．5 小结 144
第6 章 卷积生成对抗网络 145
6．1 初识卷积神经网络 145
6．2 TensorFlow 实现卷积网络 154
6．3 TensorFlow 实现DCGAN 网络 166
6．4 小结 189
第7 章 条件对抗生成网络 190
7．1 如何实现图像间风格转换 190
7．2 条件对抗生成网络 192
7．3 ColorGAN 的实现 194
7．4 实现文字转图像 209
7．5 实现句子转图像 215
7．6 小结 237
第8 章 循环一致性 238
8．1 以无监督的方式实现风格转换 238
8．2 CycleGAN 240
8．3 StarGAN 262
8．4 语义样式不变的图像跨域转换 275
8．5 小结 287
第9 章 改进生成对抗网络 289
9．1 传统GAN 存在的问题 289
9．2 Wasserstein GAN 295
9．3 Improved WGAN（WGAN-GP） 306
9．4 SN-GAN 314
9．5 小结 326
第 10 章 渐近增强式生成对抗网络 327
10．1 堆叠式生成对抗网络StackGAN 327
10．2 TensorFlow 数据处理 348
10．3 渐近增长生成对抗网络PGGAN 355
10．4 小结 369
第 11 章 GAN 进行特征学习 370
11．1 近似推断 370
11．2 InfoGAN 375
11．3 VAE-GAN 390
11．4 小结 414
第 12 章 GAN 在NLP 中的运用 415
12．1 GAN 在文本生成中遇到的境 415
12．2 GAN 生成离散数据的方法 418
12．3 强化学习简述 422
12．3 SeqGAN 429
12．4 MaskGAN 461
12．5 小结 480
点击下载