Make Your First GAN With PyTorch
暫譯: 使用 PyTorch 創建您的第一個 GAN

Rashid, Tariq

Make Your First GAN With PyTorch

買這商品的人也買了...

相關主題

商品描述

A gentle introduction to Generative Adversarial Networks, and a practical step-by-step tutorial on making your own with PyTorch.

This beginner-friendly guide will give you hands-on experience:
  • learning PyTorch basics
  • developing your first PyTorch neural network
  • exploring neural network refinements to improve performance
  • introduce CUDA GPU acceleration
It will introduce GANs, one of the most exciting areas of machine learning:
  • introducing the concept step-by-step, in plain English
  • coding the simplest GAN to develop a good workflow
  • growing our confidence with an MNIST GAN
  • progressing to develop a GAN to generate full-colour human faces
  • experiencing how GANs fail, exploring remedies and improving GAN performance and stability
Beyond the very basics, readers can explore more sophisticated GANs:
  • convolutional GANs for generated higher quality images
  • conditional GANs for generated images of a desired class
The appendices will be useful for students of machine learning as they explain themes often skipped over in many courses:
  • calculating ideal loss values for balanced GANs
  • probability distributions and sampling them to create images
  • carefully chosen examples illustrating how convolutions work
  • a brief explanation of why gradient descent isn't suited to adversarial machine learning
All code is available publicly as open source on github.

商品描述(中文翻譯)

對生成對抗網路（Generative Adversarial Networks, GANs）的溫和介紹，以及使用 PyTorch 創建您自己的 GAN 的實用逐步教程。

這本適合初學者的指南將為您提供實踐經驗：
- 學習 PyTorch 基礎知識
- 開發您的第一個 PyTorch 神經網路
- 探索神經網路的改進以提升性能
- 介紹 CUDA GPU 加速

它將介紹 GANs，這是機器學習中最令人興奮的領域之一：
- 逐步介紹概念，以簡單的英語解釋
- 編寫最簡單的 GAN 以建立良好的工作流程
- 通過 MNIST GAN 增強我們的信心
- 進一步開發一個生成全彩人臉的 GAN
- 體驗 GAN 失敗的情況，探索解決方案並改善 GAN 的性能和穩定性

除了最基本的內容，讀者還可以探索更複雜的 GANs：
- 卷積 GANs 用於生成更高質量的圖像
- 條件 GANs 用於生成所需類別的圖像

附錄將對機器學習的學生非常有用，因為它解釋了許多課程中常常被忽略的主題：
- 計算平衡 GAN 的理想損失值
- 機率分佈及其取樣以創建圖像
- 精心挑選的示例說明卷積的工作原理
- 簡要解釋為什麼梯度下降不適合對抗性機器學習

所有代碼均可在 GitHub 上公開作為開源項目獲得。

類似商品