Bewertung:
Das Buch wird wegen seiner klaren Beispiele in PyTorch und der starken Abdeckung von Schlüsselthemen im Zusammenhang mit GANs gut aufgenommen, obwohl einige Nutzer der Meinung sind, dass die Erklärungen verbessert werden könnten.
Vorteile:⬤ Klare Beispiele in PyTorch
⬤ ausgezeichnete Abdeckung von Schlüsselthemen im Zusammenhang mit GANs
⬤ sehr didaktische Code-Erklärungen.
Die Erklärungen könnten verbessert werden; einige Nutzer schlagen vor, das Buch zum besseren Verständnis neben anderen Büchern zu verwenden.
(basierend auf 4 Leserbewertungen)
Hands-On Generative Adversarial Networks with PyTorch 1.x
Wenden Sie Deep-Learning-Techniken und Methoden neuronaler Netze an, um generative Netzmodelle zu erstellen, zu trainieren und zu optimieren Hauptmerkmale Implementieren Sie GAN-Architekturen, um Bilder, Text, Audio, 3D-Modelle und mehr zu erzeugen Verstehen Sie, wie GANs funktionieren, und werden Sie ein aktiver Mitwirkender in der Open-Source-Community Lernen Sie, wie Sie fotorealistische Bilder auf der Grundlage von Textbeschreibungen erzeugen Buchbeschreibung
Generative Adversarial Networks (GANs) sind das nächste große Ding im Bereich des Deep Learning und werden ständig weiterentwickelt. Dieses Buch hebt die wichtigsten Verbesserungen von GANs gegenüber generativen Modellen hervor und zeigt anhand von praktischen Beispielen, wie man das Beste aus GANs herausholt.
Dieses Buch führt Sie zunächst durch die Kernkonzepte, die notwendig sind, um zu verstehen, wie die einzelnen Komponenten eines GAN-Modells funktionieren. Sie werden Ihr erstes GAN-Modell erstellen, um zu verstehen, wie Generator- und Diskriminator-Netzwerke funktionieren. Im weiteren Verlauf werden Sie sich mit einer Reihe von Beispielen und Datensätzen befassen, um eine Vielzahl von GAN-Netzwerken mit PyTorch-Funktionen und -Diensten zu erstellen, und sich mit Architekturen, Trainingsstrategien und Bewertungsmethoden für die Bilderzeugung, -übersetzung und -wiederherstellung vertraut machen. Sie werden sogar lernen, wie man GAN-Modelle zur Lösung von Problemen in Bereichen wie Computer Vision, Multimedia, 3D-Modelle und natürliche Sprachverarbeitung (NLP) einsetzt. Das Buch behandelt die Herausforderungen, die sich beim Aufbau generativer Modelle von Grund auf ergeben. Schließlich erfahren Sie auch, wie Sie Ihre GAN-Modelle trainieren können, um gegnerische Beispiele zu erzeugen, die andere CNN- und GAN-Modelle angreifen.
Am Ende dieses Buches werden Sie gelernt haben, wie man GAN-Modelle der nächsten Generation erstellt, trainiert und optimiert und sie zur Lösung einer Vielzahl von realen Problemen einsetzt. Was Sie lernen werden Implementieren Sie die neuesten Funktionen von PyTorch, um einen effizienten Modellentwurf zu gewährleisten Machen Sie sich mit den Arbeitsmechanismen von GAN-Modellen vertraut Führen Sie den Stiltransfer zwischen ungepaarten Bildsammlungen mit CycleGAN durch Erstellen und Trainieren Sie 3D-GANs, um eine Punktwolke von 3D-Objekten zu erzeugen Erstellen Sie eine Reihe von GAN-Modellen, um verschiedene Bildsyntheseoperationen durchzuführen Verwenden Sie SEGAN, um Rauschen zu unterdrücken und die Qualität von Sprachaufnahmen zu verbessern Für wen dieses Buch gedacht ist
Dieses GAN-Buch richtet sich an Praktiker des maschinellen Lernens und Deep-Learning-Forscher, die eine praktische Anleitung für die Implementierung von GAN-Modellen mit PyTorch suchen. Anhand von Beispielen aus der Praxis werden Sie mit den modernsten GAN-Architekturen vertraut gemacht. Um die in diesem Buch behandelten Konzepte zu verstehen, sind Arbeitskenntnisse der Programmiersprache Python erforderlich. Inhaltsverzeichnis Generative Adversarial Networks Grundlagen Erste Schritte mit PyTorch 1. 3 Best Practices für Modelldesign und Training Aufbau Ihres ersten GANs mit PyTorch Generierung von Bildern auf der Basis von Label-Informationen Bild-zu-Bild-Übersetzung und ihre Anwendungen Bildrestauration mit GANs Training Ihrer GANs, um verschiedene Modelle zu brechen Bilderzeugung aus Beschreibungstext Sequenzsynthese mit GANs Rekonstruktion von 3D-Modellen mit GANs
