Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes
Kapitel 1: Deep Learning PerceptronZiel des Kapitels: In diesem Kapitel werden die Grundlagen des Deep Learning vom Perceptron bis zum mehrschichtigen Perceptron vorgestellt. Anzahl der Seiten: 30Unter-Themen1. Verstehen von Deep Learning und überwachtem Lernen. 1. Verwendung des Perceptrons für überwachtes Lernen. 2. Konstruktion eines mehrschichtigen Perceptrons. 3. Entdeckung der Grundlagen von Aktivierung, Verlust, Optimierung und Backpropagation für Regressions- und Klassifikationsprobleme.
Kapitel 2: Entfesselung von Autoencodern und Generative Adversarial NetworksZiel des Kapitels: In diesem Kapitel werden der Autoencoder und das GAN für die einfache Generierung von Inhalten vorgestellt. Nebenbei lernen wir auch die Verwendung von Faltungsnetzschichten für eine bessere Merkmalsextraktion kennen. Anzahl der Seiten: 30Sub - Themen 1. Warum wir Autoencoder brauchen und wie sie funktionieren. 2. Verbesserung des Autoencoders mit Faltungsnetzwerkschichten. 3. Generierung von Inhalten mit dem GAN. 4. Erforschung von Methoden zur Verbesserung des Vanilla GAN.
Kapitel 3: Erforschung des latenten RaumsKapitelziel: In diesem Kapitel entdecken wir den latenten Raum in der KI. Was es bedeutet, sich durch den latenten Raum der KI mit Hilfe von Variations-Autoencodern und bedingten GANs zu bewegen. Anzahl der Seiten: 30 Unter - Themen: 1. Verständnis der Variation und des Variations-Autoencoders. 2. Erforschung des latenten Raums mit einem VAE. 3. Erweitern eines GANs, um konditional zu sein. 4. Erzeugen interessanter Lebensmittel mit einem bedingten GAN.
Kapitel 4: GANs, GANs und noch mehr GANsKapitelziel: In diesem Kapitel beginnen wir mit der Entdeckung der großen Variationen von GANs und ihren Anwendungen. Wir beginnen mit den Grundlagen wie dem Double Convolution GAN und arbeiten uns bis zu den Stack und Progressive GANs vor. Anzahl der Seiten: 30Sub - Themen: 1. Betrachten von Beispielen aus den vielen Variationen von GANs. 2. Einrichten und Verwenden eines DCGAN. 3. Verstehen, wie ein StackGAN funktioniert. 4. Mit einem ProGAN arbeiten und es benutzen.
Kapitel 5: Bild-zu-Bild-Übersetzung mit GANs.
Behandelt: Pix2Pix und DualGAN, Nebenprojekte zum Verständnis von ResNET und UNET, fortgeschrittene Netzwerkarchitekturen zur Bildklassifizierung/-erzeugung.
Kapitel 6: Übersetzen von Bildern mit Zykluskonsistenz.
Behandelt: Zykluskonsistenzverlust und das CycleGAN, BiCycleGAN und StarGAN.
Kapitel 7: Styling mit GANs.
Abdeckungen: StyleGAN, Attention und das Self-attention GAN mit einem Blick auf DeOldify.
Kapitel 8: Entwicklung von DeepFakesKapitelziel: DeepFakes erobern die Welt im Sturm und in diesem Kapitel untersuchen wir, wie man ein DeepFakes-Projekt verwendet. Anzahl der Seiten: 301. Lernen Sie, wie man Gesichter oder andere Points of Interest in Bildern oder Videos isoliert. 2. Extrahieren und Ersetzen von Gesichtern aus Bildern oder Videos. 3. Verwendung von DeepFakes GAN zur Erzeugung von Gesichtsbildern auf der Grundlage des Eingangsbildes. 4. Fügen Sie alles zusammen und ermöglichen Sie dem Benutzer, sein eigenes DeepFake-Video zu erstellen.
Kapitel 9: Aufdeckung von Adversarial Latent AutoencodersKapitelziel: GANs sind nicht die einzige Technik, die eine Manipulation und Generierung von Inhalten ermöglicht. In diesem Kapitel befassen wir uns mit der ALAE-Methode zur Erzeugung von Inhalten. Anzahl der Seiten: 1. Betrachtung der Erweiterung von Autoencodern für adversariales Lernen. 2. Verstehen, wie AE verwendet werden kann, um den latenten Raum in Daten zu erkunden. 3. Verwendung von ALAE zur Erzeugung bedingter Inhalte.
| ISBN: | 9781484270912 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 321 |
Derzeit verfügbar, auf Lager.
