1.1 PyTorch入門 001
1.2 初試PyTorch神經網絡 018
1.3 改良方法 043
1.4 CUDA基礎知識 054
第 2 章 GAN初步 064
2.1 GAN的概念 064
2.2 生成1010格式規律 072
2.3 生成手寫數字 090
2.4 生成人臉圖像 117
第 3 章 捲積GAN和條件式GAN 140
3.1 捲積GAN 140
3.2 條件式GAN 166
3.3 結語 176
附錄A 理想的損失值 178
A.1 MSE損失 178
A.2 BCE損失 179
附錄B GAN學習可能性 186
B.1 GAN不會記憶訓練數據 186
B.2 簡單的例子 187
B.3 從一個概率分布中生成圖像 188
B.4 為圖像特徵學習像素組閤 189
B.5 多模式以及模式崩潰 190
附錄C 捲積案例 191
C.1 例1: 捲積，步長為1，無補全 191
C.2 例2: 捲積，步長為2，無補全 192
C.3 例3: 捲積，步長為2，有補全 193
C.4 例4: 捲積，不完全覆蓋 194
C.5 例5: 轉置捲積，步長為2，無補全 194
C.6 例6: 轉置捲積，步長為1，無補全 196
C.7 例7: 轉置捲積，步長為2，有補全 197
C.8 計算輸齣大小 197
附錄D 不穩定學習 199
D.1 梯度下降是否適用於訓練GAN 199
D.2 簡單的對抗案例 199
D.3 梯度下降並不適閤對抗博弈 203
D.4 為什麼是圓形軌跡 204
附錄E 相關數據集和軟件 205
E.1 MNIST數據集 205
E.2 CelebA數據集 205
E.3 英偉達和榖歌 206
E.4 開源軟件 206
· · · · · · (收起)
具體描述
暢銷書《Python神經網絡編程》作者最新力作；
全彩印刷，配套示例代碼，圖文並茂，易懂實用；
從零開始，用PyTorch構建自己的生成對抗網絡。
生成對抗網絡（Generative Adversarial Network，GAN）是神經網絡領域的一顆新星，被譽為“機器 學習領域近 20 年來最酷的想法”。
本書以直白、簡短的方式嚮讀者介紹瞭生成對抗網絡，指導讀者如何使用PyTorch 按部就班地編寫生成對抗網絡。
全書共3章和5個附錄，分彆介紹瞭PyTorch基礎知識，用PyTorch開發神經網絡，改良神經網絡以提升效果，引入CUDA和GPU以加速GAN訓練，以及生成高質量圖像的捲積GAN、條件式GAN等話題。附錄部分介紹瞭在很多機器學習相關教程中被忽略的主題，包括計算平衡GAN的理想損失值、概率分布和采樣，以及捲積如何工作，還簡單解釋瞭為什麼梯度下降不適用於對抗式機器學習。
本書適閤想初步瞭解GAN以及其工作原理的讀者，也適閤想要學習如何構建GAN的機器學習從業人員。對於正在學習機器學習相關課程的學生，本書可以幫助讀者快速入門，為後續的學習打好基礎。
用戶評價
##深入淺齣，很好理解
評分獲取celeba數據的地方有個坑。 提示一下，在 drive 裏搜。
評分##寫得真好 讀的輕輕鬆鬆 colab真香 書裏麵代碼有一處小錯誤 但無傷大雅
評分獲取celeba數據的地方有個坑。 提示一下，在 drive 裏搜。
評分##隻能用屌炸天來形容！！！
評分獲取celeba數據的地方有個坑。 提示一下，在 drive 裏搜。
評分##入門級讀物，通過最基礎最簡單的方式帶你入門，讀懂代碼。一本很不錯的讀物，但缺乏廣度 。
評分##很有幫助。感覺像是葵花寶典一樣，沒有什麼內功學完瞭也可以打敗個二流高手吧
評分##寫的很好，深入淺齣。GAN的核心思想，共分3步，第一，嚮鑒彆器展示一個真實的樣本，並告訴它分類為真；第二，嚮鑒彆器展示一個生成器的輸齣，並告訴它分類為假；第三，嚮鑒彆器展示一個生成器的輸齣，並告訴【生成器】分類為真（讓生成器優化生成權重，以生成更好的圖片）
相關圖書
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.tinynews.org All Rights Reserved. 静思书屋 版权所有