- 生成对抗网络GAN(从理论到PyTorch实现)
- - 作者：编者:袁梅宇|责编:魏莹
  - 出版社：清华大学
  - ISBN：9787302690177
  - 出版日期：2025/06/01
  - 页数：214
- 售价：27.6

内容大纲
    本书系统地讲解了生成对抗网络(GAN)的基本原理以及PyTorch编程技术，内容较全面，可操作性强，将理论与实践相结合。读者通过理论学习和编程实践操作，可了解并掌握生成对抗网络的基本原理和PyTorch编程技能，拉近理论与实践的距离。
    本书共分8章，主要内容包括生成对抗网络介绍、简单全连接GAN、深度卷积GAN、Wasserstein GAN、条件GAN、StyleGAN、Pix2Pix、CycleGAN，涵盖了丰富多彩的生成对抗网络的原理和示例。此外，本书源码已全部在Python 3.10.9 + PyTorch 1.13.1+CUDA 11.6版本上调试成功。
    本书适合生成对抗网络爱好者和PyTorch编程人员作为入门和提高的技术参考书，也适合用作计算机专业高年级本科生和研究生的教材或教学参考书。
作者介绍
目录
第1章  生成对抗网络介绍
  1.1  生成对抗网络与PyTorch简介
    1.1.1  生成对抗网络介绍
    1.1.2  PyTorch介绍
  1.2  判别模型与生成模型
  1.3  GAN架构介绍
    1.3.1  判别器
    1.3.2  生成器
    1.3.3  损失函数
    1.3.4  GAN完整架构
  1.4  常用数据集
    1.4.1  MNIST数据集
    1.4.2  Fashion-MNIST数据集
    1.4.3  CIFAR-10数据集
    1.4.4  CelebA数据集
    1.4.5  Pix2Pix数据集
    1.4.6  CycleGAN数据集
  习题
第2章  简单全连接GAN
  2.1  生成1001模式的GAN
    2.1.1  1001模式GAN架构
    2.1.2  数据源
    2.1.3  判别器网络实现
    2.1.4  生成器网络实现
    2.1.5  训练GAN
  2.2  生成MNIST数据的GAN
    2.2.1  数据集
    2.2.2  MNIST判别器
    2.2.3  MNIST生成器
    2.2.4  训练GAN
    2.2.5  模式崩溃初探
  习题
第3章  深度卷积GAN
  3.1  DCGAN简介
    3.1.1  DCGAN网络结构
    3.1.2  卷积
    3.1.3  反卷积
    3.1.4  批规范化
  3.2  DCGAN实现
    3.2.1  加载Celeb-A数据集
    3.2.2  生成器网络实现
    3.2.3  判别器网络实现
    3.2.4  DCGAN训练
    3.2.5  运行结果展示
  习题
第4章  Wasserstein GAN
  4.1  WGAN介绍
  4.2  WGAN基础
    4.2.1  原始GAN的问题
    4.2.2  Wasserstein损失

    4.2.3  1-Lipschitz连续性限制
    4.2.4  两种1-L连续性限制
    4.2.5  WGAN和WGAN-GP算法
  4.3  WGAN实现
    4.3.1  判别器实现
    4.3.2  生成器实现
    4.3.3  WGAN训练
    4.3.4  WGAN结果
  4.4  WGAN-GP实现
    4.4.1  判别器实现
    4.4.2  生成器实现
    4.4.3  损失函数实现
    4.4.4  WGAN-GP训练
    4.4.5  WGAN-GP结果
  习题
第5章  条件GAN
  5.1  条件GAN介绍
    5.1.1  条件生成
    5.1.2  可控生成
    5.1.3  Z空间的向量运算
    5.1.4  类别梯度上升
    5.1.5  解耦合
  5.2  cGAN实现
    5.2.1  判别器网络
    5.2.2  生成器网络
    5.2.3  cGAN训练
    5.2.4  cGAN结果
  5.3  可控生成实现
    5.3.1  定义超参数
    5.3.2  辅助函数
    5.3.3  判别器网络
    5.3.4  生成器网络
    5.3.5  网络训练
    5.3.6  可控生成结果
  习题
第6章  StyleGAN
  6.1  StyleGAN介绍
  6.2  StyleGAN架构
    6.2.1  StyleGAN生成器结构
    6.2.2  渐进式增长
    6.2.3  噪声映射网络
    6.2.4  样式模块AdaIN
    6.2.5  样式混合和随机噪声
  6.3  StyleGAN实现
    6.3.1  加载数据集
    6.3.2  网络层实现
    6.3.3  判别器
    6.3.4  生成器
    6.3.5  模型训练
    6.3.6  运行结果展示

  习题
第7章  Pix2Pix
  7.1  匹配图像转换
  7.2  Pix2Pix基本原理
    7.2.1  Pix2Pix的概念
    7.2.2  PatchGAN
    7.2.3  U-Net
    7.2.4  损失函数
    7.2.5  Pix2Pix完整框架
  7.3  Pix2Pix编程实现
    7.3.1  加载数据集
    7.3.2  判别器
    7.3.3  生成器
    7.3.4  Pix2Pix训练
    7.3.5  运行结果展示
  习题
第8章  CycleGAN
  8.1  非匹配图像转换
  8.2  CycleGAN基本原理
    8.2.1  CycleGAN面临的问题
    8.2.2  两个GAN
    8.2.3  CycleGAN损失函数
    8.2.4  CycleGAN完整框架
  8.3  CycleGAN编程实现
    8.3.1  加载数据集
    8.3.2  判别器
    8.3.3  生成器
    8.3.4  CycleGAN训练
    8.3.5  运行结果展示
  习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目