生成對(duì)抗網(wǎng)絡(luò)項(xiàng)目實(shí)戰(zhàn)

前言 iii
第 1章 生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介 1
1．1 什么是GAN 1
1．1．1 什么是生成網(wǎng)絡(luò) 1
1．1．2 什么是判別網(wǎng)絡(luò) 2
1．1．3 GAN通過對(duì)抗競(jìng)賽進(jìn)行訓(xùn)練 2
1．2 GAN的實(shí)際應(yīng)用 2
1．3 GAN的具體架構(gòu) 3
1．3．1 生成網(wǎng)絡(luò)的架構(gòu) 3
1．3．2 判別網(wǎng)絡(luò)的架構(gòu) 4
1．3．3 GAN相關(guān)重要概念 5
1．3．4 評(píng)分算法 7
1．4 GAN變體 8
1．4．1 深度卷積生成對(duì)抗網(wǎng)絡(luò) 8
1．4．2 StackGAN 9
1．4．3 CycleGAN 9
1．4．4 3D-GAN 9
1．4．5 Age-cGAN 9
1．4．6 pix2pix 9
1．5 GAN的優(yōu)勢(shì) 10
1．6 訓(xùn)練GAN的問題 10
1．6．1 模式塌陷 10
1．6．2 梯度消失 10
1．6．3 內(nèi)部協(xié)變量轉(zhuǎn)移 11
1．7 解決GAN訓(xùn)練穩(wěn)定性問題 11
1．7．1 特征匹配 11
1．7．2 小批量判別 12
1．7．3 歷史平均 13
1．7．4 單面標(biāo)簽平滑 13
1．7．5 批歸一化 14
1．7．6 實(shí)例歸一化 14
1．8 小結(jié) 14
第 2章 使用3D-GAN生成圖形 15
2．1 3D-GAN簡(jiǎn)介 15
2．1．1 3D卷積 15
2．1．2 3D-GAN架構(gòu) 16
2．1．3 目標(biāo)函數(shù) 20
2．1．4 訓(xùn)練3D-GAN 20
2．2 創(chuàng)建項(xiàng)目 21
2．3 準(zhǔn)備數(shù)據(jù) 21
2．3．1 下載并提取數(shù)據(jù)集 22
2．3．2 探索數(shù)據(jù)集 22
2．4 3D-GAN的Keras實(shí)現(xiàn) 25
2．4．1 生成網(wǎng)絡(luò) 25
2．4．2 判別網(wǎng)絡(luò) 27
2．5 訓(xùn)練3D-GAN 28
2．5．1 訓(xùn)練兩個(gè)網(wǎng)絡(luò) 28
2．5．2 保存模型 31
2．5．3 測(cè)試模型 32
2．5．4 損失可視化 32
2．5．5 圖可視化 33
2．6 超參數(shù)優(yōu)化 34
2．7 3D-GAN的實(shí)際應(yīng)用 34
2．8 小結(jié) 34
第3章 使用cGAN實(shí)現(xiàn)人臉老化 35
3．1 人臉老化cGAN簡(jiǎn)介 35
3．1．1 理解cGAN 35
3．1．2 Age-cGAN架構(gòu) 36
3．1．3 Age-cGAN的訓(xùn)練階段 37
3．2 創(chuàng)建項(xiàng)目 39
3．3 準(zhǔn)備數(shù)據(jù) 39
3．3．1 下載數(shù)據(jù)集 40
3．3．2 提取數(shù)據(jù)集 40
3．4 Age-cGAN的Keras實(shí)現(xiàn) 41
3．4．1 編碼網(wǎng)絡(luò) 42
3．4．2 生成網(wǎng)絡(luò) 44
3．4．3 判別網(wǎng)絡(luò) 47
3．5 訓(xùn)練cGAN 49
3．5．1 訓(xùn)練cGAN 49
3．5．2 潛在向量初步近似 55
3．5．3 潛在向量?jī)?yōu)化 57
3．5．4 損失可視化 59
3．5．5 圖可視化 60
3．6 Age-cGAN的實(shí)際應(yīng)用 61
3．7 小結(jié) 62
第4章 使用DCGAN生成動(dòng)畫人物 63
4．1 DCGAN 簡(jiǎn)介 63
4．2 創(chuàng)建項(xiàng)目 69
4．3 下載并準(zhǔn)備動(dòng)畫人物數(shù)據(jù)集 70
4．3．1 下載數(shù)據(jù)集 70
4．3．2 探索數(shù)據(jù)集 71
4．3．3 剪裁及縮放訓(xùn)練集圖像 71
4．4 使用Keras實(shí)現(xiàn)DCGAN 73
4．4．1 生成網(wǎng)絡(luò) 74
4．4．2 判別網(wǎng)絡(luò) 76
4．5 訓(xùn)練DCGAN 78
4．5．1 加載樣本 79
4．5．2 構(gòu)建并編譯網(wǎng)絡(luò) 79
4．5．3 訓(xùn)練判別網(wǎng)絡(luò) 81
4．5．4 訓(xùn)練生成網(wǎng)絡(luò) 81
4．5．5 生成圖像 82
4．5．6 保存模型 83
4．5．7 生成圖像可視化 83
4．5．8 損失可視化 84
4．5．9 圖可視化 85
4．5．10 超參數(shù)調(diào)優(yōu) 85
4．6 DCGAN的實(shí)際應(yīng)用 86
4．7 小結(jié) 86
第5章 使用SRGAN生成逼真圖像 87
5．1 SRGAN簡(jiǎn)介 87
5．1．1 SRGAN架構(gòu) 87
5．1．2 訓(xùn)練目標(biāo)函數(shù) 91
5．2 創(chuàng)建項(xiàng)目 92
5．3 下載CelebA數(shù)據(jù)集 93
5．4 SRGAN的Keras實(shí)現(xiàn) 94
5．4．1 生成網(wǎng)絡(luò) 94
5．4．2 判別網(wǎng)絡(luò) 98
5．4．3 VGG19網(wǎng)絡(luò) 101
5．4．4 對(duì)抗網(wǎng)絡(luò) 102
5．5 訓(xùn)練SRGAN 103
5．5．1 構(gòu)建并編譯網(wǎng)絡(luò) 103
5．5．2 訓(xùn)練判別網(wǎng)絡(luò) 105
5．5．3 訓(xùn)練生成網(wǎng)絡(luò) 106
5．5．4 保存模型 107
5．5．5 生成圖像可視化 107
5．5．6 損失可視化 109
5．5．7 圖可視化 110
5．6 SRGAN的實(shí)際應(yīng)用 110
5．7 小結(jié) 110
第6章 StackGAN：基于文本合成逼真圖像 111
6．1 StackGAN簡(jiǎn)介 111
6．2 StackGAN架構(gòu) 112
6．2．1 文本編碼網(wǎng)絡(luò) 113
6．2．2 CA塊 113
6．2．3 第 一階段 114
6．2．4 第二階段 117
6．3 創(chuàng)建項(xiàng)目 122
6．4 準(zhǔn)備數(shù)據(jù) 123
6．4．1 下載數(shù)據(jù)集 123
6．4．2 提取數(shù)據(jù)集 124
6．4．3 探索數(shù)據(jù)集 124
6．5 StackGAN的Keras 實(shí)現(xiàn) 124
6．5．1 第 一階段 124
6．5．2 第二階段 132
6．6 訓(xùn)練 StackGAN 141
6．6．1 訓(xùn)練StackGAN第 一階段 141
6．6．2 訓(xùn)練StackGAN第二階段 148
6．6．3 生成圖像可視化 152
6．6．4 損失可視化 152
6．6．5 圖可視化 153
6．7 StackGAN的實(shí)際應(yīng)用 154
6．8 小結(jié) 154
第7章 使用CycleGAN將繪畫轉(zhuǎn)換為照片 155
7．1 CycleGAN簡(jiǎn)介 155
7．1．1 CycleGAN 架構(gòu) 156
7．1．2 訓(xùn)練目標(biāo)函數(shù) 160
7．2 創(chuàng)建項(xiàng)目 161
7．3 下載數(shù)據(jù)集 162
7．4 CycleGAN的Keras實(shí)現(xiàn) 162
7．4．1 生成網(wǎng)絡(luò) 163
7．4．2 判別網(wǎng)絡(luò) 165
7．5 訓(xùn)練 CycleGAN 167
7．5．1 加載數(shù)據(jù)集 167
7．5．2 構(gòu)建并編譯網(wǎng)絡(luò) 169
7．5．3 開始訓(xùn)練 171
7．5．4 保存模型 173
7．5．5 生成圖像可視化 174
7．5．6 損失可視化 175
7．5．7 圖可視化 176
7．6 CycleGAN的實(shí)際應(yīng)用 176
7．7 小結(jié) 177
7．8 延伸閱讀 177
第8章 使用cGAN實(shí)現(xiàn)圖像對(duì)圖像變換 178
8．1 pix2pix簡(jiǎn)介 178
8．1．1 pix2pix架構(gòu) 179
8．1．2 訓(xùn)練目標(biāo)函數(shù) 184
8．2 創(chuàng)建項(xiàng)目 184
8．3 準(zhǔn)備數(shù)據(jù) 185
8．4 pix2pix的Keras實(shí)現(xiàn) 189
8．4．1 生成網(wǎng)絡(luò) 189
8．4．2 判別網(wǎng)絡(luò) 195
8．4．3 對(duì)抗網(wǎng)絡(luò) 200
8．5 訓(xùn)練pix2pix網(wǎng)絡(luò) 202
8．5．1 保存模型 206
8．5．2 生成圖像可視化 206
8．5．3 損失可視化 207
8．5．4 圖可視化 208
8．6 pix2pix網(wǎng)絡(luò)的實(shí)際應(yīng)用 208
8．7 小結(jié) 211
第9章 預(yù)測(cè)GAN的未來 210
9．1 對(duì)GAN未來的預(yù)測(cè) 211
9．1．1 提升現(xiàn)有的深度學(xué)習(xí)方法 211
9．1．2 GAN商業(yè)應(yīng)用的演化 211
9．1．3 GAN訓(xùn)練過程的成熟 211
9．2 GAN未來的潛在應(yīng)用 211
9．2．1 基于文本創(chuàng)建信息圖 212
9．2．2 設(shè)計(jì)網(wǎng)站 212
9．2．3 壓縮數(shù)據(jù) 212
9．2．4 研發(fā)藥物 212
9．2．5 使用GAN生成文本 212
9．2．6 使用GAN生成音樂 213
9．3 探索GAN 213
9．4 小結(jié) 213
版權(quán)聲明 214