前言
第 1章 生成对抗网络简介 1
1.1 什么是GAN 1
1.1.1 什么是生成网络 1
1.1.2 什么是判别网络 2
1.1.3 GAN通过对抗竞赛进行训练 2
1.2 GAN的实际应用 2
1.3 GAN的具体架构 3
1.3.1 生成网络的架构 3
1.3.2 判别网络的架构 4
1.3.3 GAN相关重要概念 5
1.3.4 评分算法 7
1.4 GAN变体 8
1.4.1 深度卷积生成对抗网络 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的优势 10
1.6 训练GAN的问题 10
1.6.1 模式塌陷 10
1.6.2 梯度消失 10
1.6.3 内部协变量转移 11
1.7 解决GAN训练稳定性问题 11
1.7.1 特征匹配 11
1.7.2 小批量判别 12
1.7.3 历史平均 13
1.7.4 单面标签平滑 13
1.7.5 批归一化 14
1.7.6 实例归一化 14
1.8 小结 14
第 2章 使用3D-GAN生成图形 15
2.1 3D-GAN简介 15
2.1.1 3D卷积 15
2.1.2 3D-GAN架构 16
2.1.3 目标函数 20
2.1.4 训练3D-GAN 20
2.2 创建项目 21
2.3 准备数据 21
2.3.1 下载并提取数据集 22
2.3.2 探索数据集 22
2.4 3D-GAN的Keras实现 25
2.4.1 生成网络 25
2.4.2 判别网络 27
2.5 训练3D-GAN 28
2.5.1 训练两个网络 28
2.5.2 保存模型 31
2.5.3 测试模型 32
2.5.4 损失可视化 32
2.5.5 图可视化 33
2.6 超参数优化 34
2.7 3D-GAN的实际应用 34
2.8 小结 34
第3章 使用cGAN实现人脸老化 35
3.1 人脸老化cGAN简介 35
3.1.1 理解cGAN 35
3.1.2 Age-cGAN架构 36
3.1.3 Age-cGAN的训练阶段 37
3.2 创建项目 39
3.3 准备数据 39
3.3.1 下载数据集 40
3.3.2 提取数据集 40
3.4 Age-cGAN的Keras实现 41
3.4.1 编码网络 42
3.4.2 生成网络 44
3.4.3 判别网络 47
3.5 训练cGAN 49
3.5.1 训练cGAN 49
3.5.2 潜在向量初步近似 55
3.5.3 潜在向量优化 57
3.5.4 损失可视化 59
3.5.5 图可视化 60
3.6 Age-cGAN的实际应用 61
3.7 小结 62
第4章 使用DCGAN生成动画人物 63
4.1 DCGAN 简介 63
4.2 创建项目 69
4.3 下载并准备动画人物数据集 70
4.3.1 下载数据集 70
4.3.2 探索数据集 71
4.3.3 剪裁及缩放训练集图像 71
4.4 使用Ker

人工智能机器学习深度学习GAN教程书籍，通过实际项目探索生成对抗网络构架，使用TensorFlow和Keras构建新一代生成模型

生成对抗网络（GAN）可以模拟任何数据分布方式，因而潜力巨大，为很多难以自动化的问题提供了解决途径。本书立足理论，着重实践，带领读者快速熟悉并上手GAN。本书首先介绍构建高效项目所涉及的概念、工具和库，然后利用不同类型的数据集，依次构建7个GAN项目，训练并优化GAN模型。这些项目涵盖了各种流行方法，包括3D-GAN、Age-cGAN、DCGAN、SRGAN、StackGAN、CycleGAN和pix2pix。