Hands-On Generative Adversarial Networks cu PyTorch 1.x

Recenzii ale cititorilor

Cartea este bine primită pentru exemplele sale clare în PyTorch și pentru acoperirea solidă a subiectelor cheie legate de GAN-uri, deși unii utilizatori consideră că explicațiile ar putea fi îmbunătățite.

⬤ Exemple clare în PyTorch
⬤ acoperire excelentă a temelor cheie legate de GAN-uri
⬤ explicații de cod foarte didactice.

Explicațiile ar putea fi îmbunătățite; unii utilizatori sugerează că ar trebui să fie utilizată alături de alte cărți pentru o mai bună înțelegere.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Hands-On Generative Adversarial Networks with PyTorch 1.x

Conținutul cărții:

Aplicați tehnici de învățare profundă și metodologii de rețele neuronale pentru a construi, antrena și optimiza modele de rețele generative Caracteristici cheie Implementați arhitecturi GAN pentru a genera imagini, text, audio, modele 3D și multe altele Înțelegeți cum funcționează GAN-urile și deveniți un contribuitor activ în comunitatea open source Aflați cum să generați imagini foto-realiste pe baza descrierilor textului Descrierea cărții

Cu o cercetare și o dezvoltare în continuă evoluție, rețelele generatoare adversare (GAN) sunt următorul mare lucru în domeniul învățării profunde. Această carte evidențiază îmbunătățirile cheie ale GAN-urilor față de modelele generative și ghidează în obținerea celor mai bune rezultate din GAN-uri cu ajutorul unor exemple practice.

Această carte începe prin a vă prezenta conceptele de bază necesare pentru a înțelege cum funcționează fiecare componentă a unui model GAN. Veți construi primul dvs. model GAN pentru a înțelege cum funcționează rețelele generatoare și discriminatoare. Pe măsură ce avansați, veți analiza o serie de exemple și seturi de date pentru a construi o varietate de rețele GAN utilizând funcționalitățile și serviciile PyTorch și vă veți familiariza cu arhitecturile, strategiile de formare și metodele de evaluare pentru generarea, traducerea și restaurarea imaginilor. Veți învăța chiar cum să aplicați modelele GAN pentru a rezolva probleme în domenii precum viziunea computerizată, multimedia, modele 3D și procesarea limbajului natural (NLP). Cartea acoperă modul de depășire a provocărilor cu care vă confruntați atunci când construiți modele generative de la zero. În cele din urmă, veți descoperi, de asemenea, cum să vă antrenați modelele GAN pentru a genera exemple adversative pentru a ataca alte modele CNN și GAN.

Până la sfârșitul acestei cărți, veți fi învățat cum să construiți, să antrenați și să optimizați modelele GAN de ultimă generație și să le utilizați pentru a rezolva o varietate de probleme din lumea reală. Ce veți învăța Implementați cele mai recente caracteristici ale PyTorch pentru a asigura proiectarea eficientă a modelelor Familiarizați-vă cu mecanismele de lucru ale modelelor GAN Efectuați transferul de stil între colecții de imagini neîmperecheate cu CycleGAN Construiți și antrenați modele GAN 3D pentru a genera un nor de puncte de obiecte 3D Creați o serie de modele GAN pentru a efectua diverse operații de sinteză a imaginilor Utilizați SEGAN pentru a suprima zgomotul și a îmbunătăți calitatea vorbirii audio Pentru cine este această carte

Această carte despre GAN este destinată practicienilor din domeniul învățării automate și cercetătorilor din domeniul învățării profunde care doresc să obțină îndrumare practică în implementarea modelelor GAN utilizând PyTorch. Vă veți familiariza cu arhitecturile GAN de ultimă generație cu ajutorul exemplelor din lumea reală. Cunoștințele de lucru ale limbajului de programare Python sunt necesare pentru a înțelege conceptele acoperite în această carte. Table of Contents Noțiuni de bază despre rețelele generatoare adversare Noțiuni de bază despre PyTorch 1. 3 Cele mai bune practici pentru proiectarea și instruirea modelelor Construirea primei dvs. GAN cu PyTorch Generarea de imagini pe baza informațiilor de etichetă Traducerea de la imagine la imagine și aplicațiile acesteia Restaurarea imaginilor cu GAN Instruirea GAN pentru a rupe diferite modele Generarea de imagini din text descriptiv Sinteza secvențelor cu GAN Reconstrucția modelelor 3D cu GAN