Cartea de bucate a rețelelor generatoare adversare

Recenzii ale cititorilor

Cartea a primit recenzii mixte din partea utilizatorilor, unii lăudând abordarea sa practică pentru învățarea GAN-urilor, în timp ce alții i-au criticat calitatea scrierii și prezentarea vizuală.

Oferă o abordare practică pentru învățarea GAN-urilor, o defalcare utilă a codului, face referire la lucrări originale și servește ca un bun punct de plecare pentru continuarea învățării în machine learning.

Calitate slabă a scrierii, figuri și imagini inadecvate, deseori irosește timpul cititorilor cu comentarii inutile, iar părțile cheie ale codului sunt frecvent omise. Unii cititori au găsit-o dificil de citit și regretă achiziționarea ei.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Generative Adversarial Networks Cookbook

Conținutul cărții:

Simplificați învățarea profundă de nouă generație prin implementarea unor modele generative puternice utilizând Python, TensorFlow și Keras Caracteristici cheie Înțelegeți arhitectura comună a diferitelor tipuri de GAN-uri Antrenați, optimizați și implementați aplicații GAN utilizând TensorFlow și Keras Construiți modele generative cu seturi de date din lumea reală, inclusiv date 2D și 3D Descrierea cărții

Dezvoltarea rețelelor generatoare adverșiale (GAN) este o sarcină complexă și adesea este dificil să găsiți cod ușor de înțeles.

Această carte vă conduce prin opt exemple diferite de implementări GAN moderne, inclusiv CycleGAN, simGAN, DCGAN și generarea de imagini 2D la modele 3D. Fiecare capitol conține rețete utile pentru a construi pe o arhitectură comună în Python, TensorFlow și Keras pentru a explora arhitecturi GAN din ce în ce mai dificile într-un format ușor de citit. Cartea începe prin a acoperi diferitele tipuri de arhitectură GAN pentru a vă ajuta să înțelegeți cum funcționează modelul. Această carte conține, de asemenea, rețete intuitive pentru a vă ajuta să lucrați cu cazuri de utilizare care implică DCGAN, Pix2Pix și așa mai departe. Pentru a înțelege aceste aplicații complexe, veți lua diferite seturi de date din lumea reală și le veți pune în aplicare.

Până la sfârșitul acestei cărți, veți fi echipat pentru a face față provocărilor și problemelor cu care vă puteți confrunta atunci când lucrați cu modele GAN, datorită soluțiilor de cod ușor de urmat pe care le puteți implementa imediat. Ce veți învăța Structurați o arhitectură GAN în pseudocod Înțelegeți arhitectura comună pentru fiecare dintre modelele GAN pe care le veți construi Implementați diferite arhitecturi GAN în TensorFlow și Keras Utilizați diferite seturi de date pentru a activa funcționalitatea rețelei neuronale în modelele GAN Combinați diferite modele GAN și învățați cum să le reglați fin Produceți un model care poate lua imagini 2D și produce modele 3D Dezvoltați un GAN pentru a face transfer de stil cu Pix2Pix Cui se adresează această carte

Această carte se adresează oamenilor de știință de date, dezvoltatorilor de învățare automată și practicienilor de învățare profundă care caută o referință rapidă pentru a aborda provocările și sarcinile din domeniul GAN. Familiarizarea cu conceptele de învățare automată și cunoștințele de lucru ale limbajului de programare Python vă vor ajuta să profitați la maximum de carte. Table of Contents Ce este o rețea generatoare adversarială? Data First - Cum să vă pregătiți setul de date Prima mea GAN în mai puțin de 100 de linii Visând noi bucătării utilizând DCGAN Pix2Pix Traducere de la imagine la imagine Stilul de transfer al imaginii utilizând CycleGAN Utilizați imagini simulate pentru a crea globuri oculare foto realiste utilizând simGAN De la imagine la modele 3D utilizând GAN-uri