91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
生成式深度學(xué)習(xí)
生成式深度學(xué)習(xí)
David Foster 著
馬晶慧 譯
出版時(shí)間：2021年04月
頁(yè)數(shù)：316
“本書深入淺出地介紹了生成式建模的深度學(xué)習(xí)工具包。如果你建模的深度學(xué)習(xí)工具包。如果你是一位富有創(chuàng)造力的編程愛好者，希望在實(shí)際工作中應(yīng)用深度者，希望在實(shí)際工作中應(yīng)用深?！?br /> ——DavidHa
Google Brain的研究科學(xué)家
生成建模是人工智能中最熱門的話題之一。如今我們可以教機(jī)器繪畫、寫作和作曲，甚至在這些方面超越人類。機(jī)器學(xué)習(xí)工程師 和數(shù)據(jù)科學(xué)家可以通過(guò)本書的學(xué)習(xí)，掌握如何構(gòu)建最先進(jìn)的生成式深度學(xué)習(xí)模型，例如變分自動(dòng)編碼器、生成對(duì)抗網(wǎng)絡(luò)(GAN)、 編碼器-解碼器模型，以及世界模型等。
本書的作者在書中介紹了各項(xiàng)技術(shù)的內(nèi)部工作原理，從最基礎(chǔ)的使用Keras構(gòu)建深度學(xué)習(xí)模型開始，深入淺出地介紹了該領(lǐng)域最先 進(jìn)的算法。你可以通過(guò)書中的技巧和竅門，學(xué)習(xí)如何構(gòu)建能夠更有效地學(xué)習(xí)以及更具創(chuàng)造力的模型。
● 學(xué)習(xí)如何通過(guò)變分自動(dòng)編碼器改變圖像中人物的面部表情。
● 學(xué)習(xí)如何構(gòu)建GAN模型，包括風(fēng)格遷移模型CycleGAN以及音樂(lè)生成模型MuseGAN。
● 學(xué)習(xí)如何通過(guò)循環(huán)生成模型來(lái)生成文本，以及如何利用注意力機(jī)制改善模型。
● 學(xué)習(xí)如何利用生成模型幫助智能體在強(qiáng)化學(xué)習(xí)環(huán)境中完成任務(wù)。
● 探索Transformer(BERT、GPT-2)，以及ProGAN和StyleGAN等圖像生成模型的架構(gòu)。
  1. 前言
  2. 第一部分 生成式深度學(xué)習(xí)概述
  3. 第1章 生成建模
  4. 1.1 什么是生成建模?
  5. 1.1.1 生成建模與判別建模
  6. 1.1.2 機(jī)器學(xué)習(xí)的發(fā)展
  7. 1.1.3 生成建模的興起
  8. 1.1.4 生成建模的框架
  9. 1.2 概率生成模型
  10. 1.2.1 你好，Wrodl!
  11. 1.2.2 你的第一個(gè)概率生成模型
  12. 1.2.3 樸素貝葉斯
  13. 1.2.4 你好，Wrodl!續(xù)篇
  14. 1.3 生成建模的難題
  15. 1.3.1表示學(xué)習(xí)
  16. 1.4 設(shè)置環(huán)境
  17. 1.5 小結(jié)
  18. 第2章 深度學(xué)習(xí)
  19. 2.1 結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)
  20. 2.2 深度神經(jīng)網(wǎng)絡(luò)
  21. 2.2.1 Keras和TensorFlow
  22. 2.3 第一個(gè)深度神經(jīng)網(wǎng)絡(luò)
  23. 2.3.1 加載數(shù)據(jù)
  24. 2.3.2 建立模型
  25. 2.3.3 編譯模型
  26. 2.3.4 訓(xùn)練模型
  27. 2.3.5 評(píng)估模型
  28. 2.4 改進(jìn)模型
  29. 2.4.1 卷積層
  30. 2.4.2 批標(biāo)準(zhǔn)化
  31. 2.4.3 Dropout層
  32. 2.4.4 結(jié)合所有層
  33. 2.5 小結(jié)
  34. 第3章 變分自動(dòng)編碼器
  35. 3.1 畫展
  36. 3.2 自動(dòng)編碼器
  37. 3.2.1 第一個(gè)自動(dòng)編碼器
  38. 3.2.2 編碼器
  39. 3.2.3 解碼器
  40. 3.2.4 連接編碼器與解碼器
  41. 3.2.5 分析自動(dòng)編碼器
  42. 3.3 變化后的畫展
  43. 3.4 構(gòu)建變分自動(dòng)編碼器
  44. 3.4.1 編碼器
  45. 3.4.2 損失函數(shù)
  46. 3.4.3 分析變分自動(dòng)編碼器
  47. 3.5 使用VAE生成面部圖像
  48. 3.5.1 訓(xùn)練VAE
  49. 3.5.2 分析VAE
  50. 3.5.3 生成新面孔
  51. 3.5.4 隱空間的算術(shù)
  52. 3.5.5 面部變形
  53. 3.6 小結(jié)
  54. 第4章 生成對(duì)抗網(wǎng)絡(luò)
  55. 4.1 神秘獸
  56. 4.2 生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介
  57. 4.3 第一個(gè)生成對(duì)抗網(wǎng)絡(luò)
  58. 4.3.1 判別器
  59. 4.3.2 生成器
  60. 4.3.3 訓(xùn)練GAN
  61. 4.4 GAN面臨的難題
  62. 4.4.1 損失震蕩
  63. 4.4.2 模式收縮
  64. 4.4.3 不提供信息的損失函數(shù)
  65. 4.4.4 超參數(shù)
  66. 4.4.5 解決GAN面臨的難題
  67. 4.5 WGAN
  68. 4.5.1 Wasserstein損失
  69. 4.5.2 利普希茨約束
  70. 4.5.3 權(quán)重裁剪
  71. 4.5.4 訓(xùn)練WGAN
  72. 4.5.5 分析WGAN
  73. 4.6 WGAN-GP
  74. 4.6.1 梯度懲罰損失
  75. 4.6.2 分析WGAN-GP
  76. 4.7 小結(jié)
  77. 第二部分 教機(jī)器繪畫、寫作、作曲和玩游戲
  78. 第5章 繪畫
  79. 5.1 蘋果和橙子
  80. 5.2 CycleGAN
  81. 5.3 第一個(gè)CycleGAN模型
  82. 5.3.1 簡(jiǎn)介
  83. 5.3.2 生成器(U-Net)
  84. 5.3.3 判別器
  85. 5.3.4 編譯CycleGAN
  86. 5.3.5 訓(xùn)練CycleGAN
  87. 5.3.6 分析CycleGAN
  88. 5.4 創(chuàng)建一個(gè)模仿莫奈作品的CycleGAN
  89. 5.4.1 生成器(ResNet)
  90. 5.4.2 分析CycleGAN
  91. 5.5 神經(jīng)風(fēng)格遷移
  92. 5.5.1 內(nèi)容損失
  93. 5.5.2 風(fēng)格損失
  94. 5.5.3 總方差損失
  95. 5.5.4 運(yùn)行神經(jīng)風(fēng)格遷移
  96. 5.5.5 分析神經(jīng)風(fēng)格遷移模型
  97. 5.6 小結(jié)
  98. 第6章 寫作
  99. 6.1 壞家伙們的文學(xué)社
  100. 6.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
  101. 6.3 第一個(gè)LSTM網(wǎng)絡(luò)
  102. 6.3.1 分詞
  103. 6.3.2 建立數(shù)據(jù)集
  104. 6.3.3 LSTM架構(gòu)
  105. 6.3.4 嵌入層
  106. 6.3.5 LSTM層
  107. 6.3.6 LSTM元胞
  108. 6.4 生成新文本
  109. 6.5 RNN擴(kuò)展
  110. 6.5.1 堆疊式循環(huán)網(wǎng)絡(luò)
  111. 6.5.2 門控制循環(huán)單元
  112. 6.5.3 雙向元胞
  113. 6.6 編碼器 - 解碼器模型
  114. 6.7 問(wèn)答生成器
  115. 6.7.1 問(wèn)答數(shù)據(jù)集
  116. 6.7.2 模型架構(gòu)
  117. 6.7.3 推斷
  118. 6.7.4 模型的結(jié)果
  119. 6.8 小結(jié)
  120. 第7章 作曲
  121. 7.1 前提知識(shí)
  122. 7.1.1音符
  123. 7.2 第一個(gè)生成音樂(lè)的RNN
  124. 7.2.1 注意力
  125. 7.2.2 使用Keras建立注意力機(jī)制
  126. 7.2.3 分析注意力RNN
  127. 7.2.4 編碼器 - 解碼器網(wǎng)絡(luò)中的注意力
  128. 7.2.5 生成復(fù)音音樂(lè)
  129. 7.3 MuseGAN
  130. 7.4 第一個(gè)MuseGAN
  131. 7.5 MuseGAN生成器
  132. 7.5.1 和弦、風(fēng)格、旋律和律動(dòng)
  133. 7.5.2 小節(jié)生成器
  134. 7.5.3 匯總
  135. 7.6 評(píng)論者
  136. 7.7 分析MuseGAN
  137. 7.8 小結(jié)
  138. 第8章 玩游戲
  139. 8.1 強(qiáng)化學(xué)習(xí)
  140. 8.1.1 OpenAI Gym
  141. 8.2 世界模型架構(gòu)
  142. 8.2.1 變分自動(dòng)編碼器
  143. 8.2.2 MDN-RNN
  144. 8.2.3 控制器
  145. 8.3 設(shè)定
  146. 8.4 訓(xùn)練過(guò)程概述
  147. 8.5 收集隨機(jī)rollout數(shù)據(jù)
  148. 8.6 訓(xùn)練VAE
  149. 8.6.1 VAE架構(gòu)
  150. 8.6.2 探索VAE
  151. 8.7 收集訓(xùn)練RNN的數(shù)據(jù)
  152. 8.8 訓(xùn)練MDN-RNN
  153. 8.8.1 MDN-RNN的架構(gòu)
  154. 8.8.2 從MDN-RNN中采樣下一個(gè)z和獎(jiǎng)勵(lì)
  155. 8.8.3 MDN-RNN的損失函數(shù)
  156. 8.9 訓(xùn)練控制器
  157. 8.9.1 控制器的架構(gòu)
  158. 8.9.2 CMA-ES
  159. 8.9.3 并行CMA-ES
  160. 8.9.4 控制器訓(xùn)練的輸出結(jié)果
  161. 8.10 在想象環(huán)境中訓(xùn)練
  162. 8.10.1 在想象環(huán)境中訓(xùn)練控制器
  163. 8.10.2 在想象環(huán)境中訓(xùn)練的挑戰(zhàn)
  164. 8.11 小結(jié)
  165. 第9章 生成建模的未來(lái)
  166. 9.1 五年的進(jìn)步
  167. 9.2 Transformer
  168. 9.2.1 位置編碼
  169. 9.2.2 多頭注意力
  170. 9.2.3 解碼器
  171. 9.2.4 Transformer的分析
  172. 9.2.5 BERT
  173. 9.2.6 GPT-2
  174. 9.2.7 MuseNet
  175. 9.3 圖像生成的進(jìn)步
  176. 9.3.1 ProGAN
  177. 9.3.2 自我注意力GAN(SAGAN)
  178. 9.3.3 BigGAN
  179. 9.3.4 StyleGAN
  180. 9.4 生成建模的應(yīng)用
  181. 9.4.1 AI藝術(shù)
  182. 9.4.2 AI音樂(lè)
  183. 第10章 總結(jié)
  184. 作者介紹
  185. 封面介紹
書名：生成式深度學(xué)習(xí)
作者：David Foster 著
譯者：馬晶慧 譯
國(guó)內(nèi)出版社：中國(guó)電力出版社
出版時(shí)間：2021年04月
頁(yè)數(shù)：316
書號(hào)：978-7-5198-5308-2
原版書書名：Generative Deep Learning
原版書出版商：O'Reilly Media
David Foster
 
David Foster是Applied Data Science的聯(lián)合創(chuàng)始人，這是一家數(shù)據(jù)科學(xué)咨詢公司，為客戶提供創(chuàng)新的解決方案。他擁有英國(guó)劍橋三一學(xué)院的數(shù)學(xué)碩士學(xué)位，以及華威大學(xué)運(yùn)籌學(xué)碩士學(xué)位。
David曾多次贏得國(guó)際機(jī)器學(xué)習(xí)競(jìng)賽，包括 InnoCentive Predicting Product Purchase 大獎(jiǎng)賽，并獲得了可視化的第一名，這項(xiàng)技術(shù)可以幫助美國(guó)的制藥公司優(yōu)化臨床試驗(yàn)的選址。
David活躍在在線數(shù)據(jù)科學(xué)社區(qū)，并撰寫了一系列有關(guān)深度強(qiáng)化學(xué)習(xí)的博客文章，包括《How To Build Your Own AlphaZero AI Using Python and Keras》(地址:http://bit. ly/2J6fGhU)。
 
 
本書封面的動(dòng)物是一只彩繪錐尾鸚鵡(學(xué)名：Pyrrhura picta)。 Pyrrhura屬于Psittacidae家族，是三大鸚鵡家族之一。西半球的金剛鸚鵡和長(zhǎng)尾小鸚鵡屬于其亞科。 彩繪錐尾鸚鵡棲居在南美東北部的沿海森林和山脈。
這種鸚鵡鳥體覆蓋著明亮的綠色羽毛，鳥喙上方帶有藍(lán)色，臉頰為棕色，胸部以及 尾部則為紅色。脖子上的羽毛就像鱗片一樣，實(shí)屬罕見。中心為棕色，而輪廓為灰 白色。這種顏色搭配與熱帶雨林的鳥類十分相像。
彩繪錐尾鸚鵡偏好在樹林間覓食，綠色的羽毛是最好的掩飾。它們通常以5~12只的小群體覓食，主要以水果，種子和花朵為食。偶爾在樹冠下覓食時(shí)，也會(huì)吃水塘表 面的水藻。成鳥身長(zhǎng)約9英寸，壽命可達(dá)13~15年。通常每窩大約產(chǎn)5枚卵，孵化 時(shí)卵寬不足一英寸。
O’Reilly出版的圖書，封面上很多動(dòng)物都瀕臨滅絕。這些動(dòng)物都是地球的至寶。如果 你想了解如何保護(hù)這些動(dòng)物，請(qǐng)?jiān)L問(wèn) animals.oreilly.com。
封面插圖由Karen Montgomery繪制，基于Shaw’s Zoology的一幅黑白版畫。
購(gòu)買選項(xiàng)
定價(jià)：88.00元
書號(hào)：978-7-5198-5308-2
出版社：中國(guó)電力出版社