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)（第二版）
生成式深度學(xué)習(xí)（第二版）
David Foster 著
馬晶慧 譯
出版時(shí)間：2025年09月
頁(yè)數(shù)：454
“本書深入淺出地介紹了生成式建模深度學(xué)習(xí)工具包。如果你是一位富有創(chuàng)造力的編程愛(ài)好者，希望在實(shí)際工作中應(yīng)用深度學(xué)習(xí)，那么本書是不二之選?！?br /> ——David Ha
Stability AI的戰(zhàn)略主管
“這本精彩的教程深入探討了最先進(jìn)的生成式深度學(xué)習(xí)技術(shù)。帶你體驗(yàn)人工智能世界中最令人著迷的一次精彩探索！”
——Francois Chollet
Keras創(chuàng)建者

生成式人工智能是高科技領(lǐng)域最熱門的話題之一。機(jī)器學(xué)習(xí)工程師和數(shù)據(jù)科學(xué)家可以通過(guò)本書學(xué)習(xí)如何使用TensorFlow和Keras，從零開(kāi)始構(gòu)建強(qiáng)大的生成式深度學(xué)習(xí)模型，包括變分自編碼器（VAE）、生成對(duì)抗網(wǎng)絡(luò)（GAN）、Transformer、標(biāo)準(zhǔn)化流模型、基于能量的模型（EBM）以及去噪擴(kuò)散模型。
本書從深度學(xué)習(xí)的基礎(chǔ)知識(shí)講起，逐步深入當(dāng)前最尖端的架構(gòu)。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（VAE）改變圖像中人物的面部表情。
● 學(xué)習(xí)如何訓(xùn)練GAN，根據(jù)數(shù)據(jù)集生成圖像。
● 學(xué)習(xí)如何構(gòu)建擴(kuò)散模型，生成全新的花卉品種。
● 學(xué)習(xí)如何訓(xùn)練自己的生成文本GPT。
● 了解大型語(yǔ)言模型（如ChatGPT）的訓(xùn)練過(guò)程。
● 探索最先進(jìn)的生成式架構(gòu)，如StyleGAN2和ViT-VQGAN。
● 使用Transformer和MuseGAN創(chuàng)作多聲部樂(lè)曲。
● 學(xué)習(xí)生成式世界模型如何解決強(qiáng)化學(xué)習(xí)任務(wù)。
● 深入研究多模態(tài)模型，如DALL.E 2、Imagen和Stable Diffusion。
此外，本書還探討了生成式AI的未來(lái)發(fā)展，以及個(gè)人和企業(yè)如何主動(dòng)利用這項(xiàng)突破性技術(shù)來(lái)獲得競(jìng)爭(zhēng)優(yōu)勢(shì)。
  1. 序
  2. 前言
  3. 第一部分 生成式深度學(xué)習(xí)簡(jiǎn)介
  4. 第1章 生成式建模
  5. 1.1 什么是生成式建模
  6. 1.1.1 生成式建模與判別式建模
  7. 1.1.2 生成式建模的興起
  8. 1.1.3 生成式建模與AI
  9. 1.2 我們的第一個(gè)生成式建模
  10. 1.2.1 Hello World
  11. 1.2.2 生成式建?？蚣?
  12. 1.2.3 表示學(xué)習(xí)
  13. 1.3 核心概率理論
  14. 1.4 生成式模型的分類
  15. 1.5 生成式深度學(xué)習(xí)代碼庫(kù)
  16. 1.5.1 克隆代碼庫(kù)
  17. 1.5.2 使用Dokcer
  18. 1.5.3 運(yùn)行GPU
  19. 1.6 小結(jié)
  20. 1.7 參考資料
  21. 第2章 深度學(xué)習(xí)
  22. 2.1 深度學(xué)習(xí)的數(shù)據(jù)
  23. 2.2 深度神經(jīng)網(wǎng)絡(luò)
  24. 2.2.1 什么是神經(jīng)網(wǎng)絡(luò)
  25. 2.2.2 學(xué)習(xí)高層特征
  26. 2.2.3 TensorFlow和Keras
  27. 2.3 多層感知器
  28. 2.3.1 準(zhǔn)備數(shù)據(jù)
  29. 2.3.2 構(gòu)建模型
  30. 2.3.3 編譯模型
  31. 2.3.4 訓(xùn)練模型
  32. 2.3.5 評(píng)估模型
  33. 2.4 卷積神經(jīng)網(wǎng)絡(luò)（CNN）
  34. 2.4.1 卷積層
  35. 2.4.2 批標(biāo)準(zhǔn)化
  36. 2.4.3 Dropout層
  37. 2.4.4 構(gòu)建CNN
  38. 2.4.5 訓(xùn)練和評(píng)估CNN
  39. 2.5 小結(jié)
  40. 2.6 參考資料
  41. 第二部分 方法
  42. 第3章 變分自動(dòng)編碼器
  43. 3.1 引言
  44. 3.2 自動(dòng)編碼器
  45. 3.2.1 Fashion-MNIST數(shù)據(jù)集
  46. 3.2.2 自動(dòng)編碼器的架構(gòu)
  47. 3.2.3 編碼器
  48. 3.2.4 解碼器
  49. 3.2.5 連接編碼器與解碼器
  50. 3.2.6 重建圖像
  51. 3.2.7 可視化隱空間
  52. 3.2.8 生成新圖像
  53. 3.3 變分自動(dòng)編碼器
  54. 3.3.1 編碼器
  55. 3.3.2 損失函數(shù)
  56. 3.3.3 訓(xùn)練變分自動(dòng)編碼器
  57. 3.3.4 分析變分自動(dòng)編碼器
  58. 3.4 探索隱空間
  59. 3.4.1 CelebA數(shù)據(jù)集
  60. 3.4.2 訓(xùn)練變分自動(dòng)編碼器
  61. 3.4.3 分析變分自動(dòng)編碼器
  62. 3.4.4 生成新面孔
  63. 3.4.5 隱空間的算術(shù)運(yùn)算
  64. 3.4.6 面部變形
  65. 3.5 小結(jié)
  66. 3.6 參考資料
  67. 第4章 生成對(duì)抗網(wǎng)絡(luò)
  68. 4.1 引言
  69. 4.2 深度卷積GAN（DCGAN）
  70. 4.2.1 Bricks數(shù)據(jù)集
  71. 4.2.2 判別器
  72. 4.2.3 生成器
  73. 4.2.4 訓(xùn)練DCGAN
  74. 4.2.5 分析DCGAN
  75. 4.2.6 訓(xùn)練GAN的技巧
  76. 4.3 WGAN-GP
  77. 4.3.1 Wasserstein損失
  78. 4.3.2 利普希茨約束
  79. 4.3.3 施加利普希茨約束
  80. 4.3.4 梯度懲罰損失
  81. 4.3.5 訓(xùn)練WGAN-GP
  82. 4.3.6 分析WGAN-GP
  83. 4.4 條件GAN（CGAN）
  84. 4.4.1 CGAN架構(gòu)
  85. 4.4.2 訓(xùn)練CGAN
  86. 4.4.3 分析CGAN
  87. 4.5 小結(jié)
  88. 4.6 參考資料
  89. 第5章 自回歸模型
  90. 5.1 引言
  91. 5.2 長(zhǎng)短期記憶網(wǎng)絡(luò)
  92. 5.2.1 Recipes數(shù)據(jù)集
  93. 5.2.2 處理文本數(shù)據(jù)
  94. 5.2.3 分詞
  95. 5.2.4 創(chuàng)建訓(xùn)練集
  96. 5.2.5 LSTM架構(gòu)
  97. 5.2.6 嵌入層
  98. 5.2.7 LSTM層
  99. 5.2.8 LSTM元胞
  100. 5.2.9 訓(xùn)練LSTM
  101. 5.2.10 分析LSTM
  102. 5.3 循環(huán)神經(jīng)網(wǎng)絡(luò)擴(kuò)展
  103. 5.3.1 堆疊式循環(huán)網(wǎng)絡(luò)
  104. 5.3.2 門控制循環(huán)單元
  105. 5.3.3 雙向元胞
  106. 5.4 PixelCNN
  107. 5.4.1 掩碼卷積層
  108. 5.4.2 殘差塊
  109. 5.4.3 訓(xùn)練PixelCNN
  110. 5.4.4 分析PixelCNN
  111. 5.4.5 混合分布
  112. 5.5 小結(jié)
  113. 5.6 參考資料
  114. 第6章 標(biāo)準(zhǔn)化流模型
  115. 6.1 引言
  116. 6.2 標(biāo)準(zhǔn)化流
  117. 6.2.1 變量變換
  118. 6.2.2 雅可比行列式
  119. 6.2.3 變量變換方程
  120. 6.3 RealNVP
  121. 6.3.1 雙月數(shù)據(jù)集
  122. 6.3.2 耦合層
  123. 6.3.3 訓(xùn)練RealNVP模型
  124. 6.3.4 分析RealNVP模型
  125. 6.4 其他標(biāo)準(zhǔn)化流模型
  126. 6.4.1 GLOW
  127. 6.4.2 FFJORD
  128. 6.5 小結(jié)
  129. 6.6 參考資料
  130. 第7章 基于能量的模型
  131. 7.1 引言
  132. 7.2 基于能量的模型
  133. 7.2.1 MNIST數(shù)據(jù)集
  134. 7.2.2 能量函數(shù)
  135. 7.2.3 使用朗之萬(wàn)動(dòng)力學(xué)采樣
  136. 7.2.4 使用對(duì)比散度訓(xùn)練模型
  137. 7.2.5 分析基于能量的模型
  138. 7.2.6 其他基于能量的模型
  139. 7.3 小結(jié)
  140. 7.4 參考資料
  141. 第8章 擴(kuò)散模型
  142. 8.1 引言
  143. 8.2 去噪擴(kuò)散模型
  144. 8.2.1 Flowers數(shù)據(jù)集
  145. 8.2.2 前向擴(kuò)散過(guò)程
  146. 8.2.3 重新參數(shù)化技巧
  147. 8.2.4 擴(kuò)散計(jì)劃
  148. 8.2.5 反向擴(kuò)散過(guò)程
  149. 8.2.6 U-Net去噪模型
  150. 8.2.7 訓(xùn)練擴(kuò)散模型
  151. 8.2.8 從去噪擴(kuò)散模型中采樣
  152. 8.2.9 分析擴(kuò)散模型
  153. 8.3 小結(jié)
  154. 8.4 參考資料
  155. 第三部分 應(yīng)用
  156. 第9章 Transformer
  157. 9.1 引言
  158. 9.2 GPT
  159. 9.2.1 葡萄酒評(píng)論數(shù)據(jù)集
  160. 9.2.2 注意力
  161. 9.2.3 查詢與鍵值
  162. 9.2.4 多頭注意力
  163. 9.2.5 因果掩碼
  164. 9.2.6 Transformer塊
  165. 9.2.7 位置編碼
  166. 9.2.8 訓(xùn)練GPT
  167. 9.2.9 分析GPT
  168. 9.3 其他Transformer
  169. 9.3.1 T5
  170. 9.3.2 GPT-3和GPT-4
  171. 9.3.3 ChatGPT
  172. 9.4 小結(jié)
  173. 9.5 參考資料
  174. 第10章 高級(jí)GAN
  175. 10.1 引言
  176. 10.2 ProGAN
  177. 10.2.1 漸進(jìn)式訓(xùn)練
  178. 10.2.2 輸出
  179. 10.3 StyleGAN
  180. 10.3.1 映射網(wǎng)絡(luò)
  181. 10.3.2 合成網(wǎng)絡(luò)
  182. 10.3.3 StyleGAN的輸出
  183. 10.4 StyleGAN2
  184. 10.4.1 權(quán)重調(diào)制與去調(diào)制
  185. 10.4.2 路徑長(zhǎng)度正則化
  186. 10.4.3 非漸進(jìn)式增長(zhǎng)
  187. 10.4.4 StyleGAN2的輸出
  188. 10.5 其他重要的GAN
  189. 10.5.1 自注意力GAN（SAGAN）
  190. 10.5.2 BigGAN
  191. 10.5.3 VQ-GAN
  192. 10.5.4 ViT VQ-GAN
  193. 10.6 小結(jié)
  194. 10.7 參考資料
  195. 第11章 音樂(lè)生成
  196. 11.1 引言
  197. 11.2 音樂(lè)生成Transformer
  198. 11.2.1 巴赫大提琴組曲數(shù)據(jù)集
  199. 11.2.2 解析MIDI文件
  200. 11.2.3 分詞
  201. 11.2.4 創(chuàng)建訓(xùn)練集
  202. 11.2.5 正弦位置編碼
  203. 11.2.6 多個(gè)輸入與輸出
  204. 11.2.7 分析音樂(lè)生成Transformer
  205. 11.2.8 復(fù)音音樂(lè)的分詞
  206. 11.3 MuseGAN
  207. 11.3.1 巴赫圣詠曲數(shù)據(jù)集
  208. 11.3.2 MuseGAN生成器
  209. 11.3.3 MuseGAN評(píng)論者
  210. 11.3.4 分析MuseGAN
  211. 11.4 小結(jié)
  212. 11.5 參考資料
  213. 第12章 世界模型
  214. 12.1 引言
  215. 12.2 強(qiáng)化學(xué)習(xí)
  216. 12.3 世界模型簡(jiǎn)介
  217. 12.3.1 架構(gòu)
  218. 12.3.2 訓(xùn)練
  219. 12.4 收集隨機(jī)rollout數(shù)據(jù)
  220. 12.5 訓(xùn)練VAE
  221. 12.5.1 VAE架構(gòu)
  222. 12.5.2 探索VAE
  223. 12.6 收集訓(xùn)練MDN-RNN的數(shù)據(jù)
  224. 12.7 訓(xùn)練MDN-RNN
  225. 12.7.1 MDN-RNN的架構(gòu)
  226. 12.7.2 從MDN-RNN中采樣
  227. 12.8 訓(xùn)練控制器
  228. 12.8.1 控制器的架構(gòu)
  229. 12.8.2 CMA-ES
  230. 12.8.3 并行化CMA-ES
  231. 12.9 在想象環(huán)境中訓(xùn)練
  232. 12.10 小結(jié)
  233. 12.11 參考資料
  234. 第13章 多模態(tài)模型
  235. 13.1 引言
  236. 13.2 DALL.E 2
  237. 13.2.1 架構(gòu)
  238. 13.2.2 文本編碼器
  239. 13.2.3 CLIP
  240. 13.2.4 先驗(yàn)
  241. 13.2.5 解碼器
  242. 13.2.6 DALL.E 2生成的示例
  243. 13.3 Imagen
  244. 13.3.1 架構(gòu)
  245. 13.3.2 DrawBench
  246. 13.3.3 Imagen生成的示例
  247. 13.4 Stable Diffusion
  248. 13.4.1 架構(gòu)
  249. 13.4.2 Stable Diffusion生成的示例
  250. 13.5 Flamingo
  251. 13.5.1 架構(gòu)
  252. 13.5.2 視覺(jué)編碼器
  253. 13.5.3 感知重采樣器
  254. 13.5.4 語(yǔ)言模型
  255. 13.5.5 Flamingo生成的示例
  256. 13.6 小結(jié)
  257. 13.7 參考資料
  258. 第14章 總結(jié)
  259. 14.1 生成式AI的時(shí)間線
  260. 14.1.1 2014~2017 年：VAE與GAN時(shí)代
  261. 14.1.2 2018、2019 年：Transformer時(shí)代
  262. 14.1.3 2020~2022 年：大模型時(shí)代
  263. 14.2 生成式AI的現(xiàn)狀
  264. 14.2.1 大型語(yǔ)言模型
  265. 14.2.2 文本到代碼模型
  266. 14.2.3 文本到圖像模型
  267. 14.2.4 其他應(yīng)用
  268. 14.3 生成式AI的未來(lái)
  269. 14.3.1 生成式AI對(duì)日常生活的影響
  270. 14.3.2 生成式AI對(duì)工作環(huán)境的影響
  271. 14.3.3 生成式AI對(duì)教育的影響
  272. 14.3.4 生成式AI面臨的道德問(wèn)題與挑戰(zhàn)
  273. 14.4 最后的感想
  274. 14.5 參考資料
書名：生成式深度學(xué)習(xí)（第二版）
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：2025年09月
頁(yè)數(shù)：454
書號(hào)：978-7-5239-0195-3
原版書書名：Generative Deep Learning, 2nd Edition
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區(qū)。
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(jiàn)。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。
彩繪錐尾鸚鵡喜歡在樹林間覓食，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（22厘米），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（2.54厘米）。
購(gòu)買選項(xiàng)
定價(jià)：148.00元
書號(hào)：978-7-5239-0195-3
出版社：中國(guó)電力出版社