本文共1000字，建議閱讀5分鐘。
本書囊括了關於GAN的定義、訓練、變體等，是關於GAN的最好的書籍之一。
[ 導讀 ]生成式對抗網絡模型(GAN)是基於深度學習的一種強大的生成模型，可以應用於計算機視覺、自然語言處理、半監督學習等重要領域。牛津大學Jakub Langr 撰寫了《GANs in Action》的著作，囊括了關於GAN的定義、訓練、變體等，是學習生成式對抗網絡非常好的學習圖書，是關於GAN的最好的書籍之一。
後臺私信回覆“GAN” 獲取《GAN實戰》下載鏈接
實戰GAN
深度學習系統在識別文本、圖像和視頻中的模式方面做得非常好。但事實證明，創建逼真的圖像、自然的句子和段落，或翻譯成地道英語的應用程序是難以實現的。生成式對抗網絡(GANs)通過將兩個相互對抗的神經網絡(一個生成內容，另一個拒絕質量較差的樣本)配對，為這些挑戰提供了一個有希望的解決方案。
GAN
GANs已經取得了被認為是人工系統不可能取得的顯著成果，例如能夠生成逼真的人臉、將塗鴉變成類似照片的圖像、將馬的視頻片段變成奔跑的斑馬。最重要的是，GANs學得很快，不需要費力地標註大量訓練數據。
2014年由谷歌的Ian Goodfellow發明的生成式對抗網絡(GANs)是深度學習中最重要的創新之一。在GANs中，一個神經網絡(生成器)生成內容(圖像、句子等等)，另一個神經網絡(識別器)確定它們是否來自生成器，因此是“假的”，還是來自訓練數據集，因此是“真實的”。在這兩個系統之間的相互作用中，當生成器試圖欺騙鑑別器相信“贗品”是真實的時，它會產生更真實的輸出。其結果是一個可以生成逼真圖像或自然文本和語音的生成器，以及一個訓練有素的識別器，可以精確地識別和分類這類內容。
本書簡介
實戰GAN：用生成對抗式網絡進行深度學習可以教會你如何構建和訓練自己的生成對抗式網絡。首先，您將瞭解生成模型以及GAN的工作原理，並概述它們的潛在用途。然後，隨著您探索GAN體系結構的基礎:生成器和鑑別器網絡，您將開始構建自己的簡單的對抗系統。
通過本書迷人的示例和詳細的插圖，您將學習為不同的場景培訓不同的GAN體系結構。您將探索生成高分辨率圖像、圖像到圖像的轉換、對抗性學習以及目標數據生成，從而使您的系統變得智能、有效和快速。
本書目錄
1 INTRODUCTION TO GANS
1.1 Introduction
1.2 Prerequisites
1.3 What Are Generative Adversarial Networks?
1.3.1 GAN in Action
1.3.2 GAN Training
1.3.3 GAN Training Visualized
1.3.4 Reaching Equilibrium
1.3.5 The Pros and Cons of Studying GANs
1.4 Applications of GANs
1.5 Guide to this Book
1.6 Summary
2 AUTOENCODERS AS A PATH TO GANS
2.1 Why did we include this chapter?
2.1.1 Generative learning is a new area for most
2.1.2 Challenges of generative modelling
2.1.3 An Important part of the literature today
2.2 So what are autoencoders to GANs?
2.3 What are the reasons behind autoencoders?
2.4 Overview of Autoencoders
2.5 Usage of autoencoders
2.6 Unsupervised learning
2.7 New take on an old idea
2.8 Variational autoencoder (VAE)
2.9 Code is life
2.10 Summary
3 YOUR FIRST GAN: GENERATING HANDWRITTEN DIGITS
3.1 Introduction
3.1.1 Adversarial Training
3.1.2 The Generator and the Discriminator
3.1.3 GAN Training Algorithm
3.2 Tutorial: Generating Handwritten Digits
3.2.1 Import Statements
3.2.2 The Generator
3.2.3 The Discriminator
3.2.4 Build the Model
3.2.5 Training
3.2.6 Outputting Sample Images
3.2.7 Run the Model
3.2.8 Inspecting the Results
3.3 Conclusion
3.4 Chapter Summary
4 DEEP CONVOLUTIONAL GAN (DCGAN)
4.1 Introduction
4.2 Convolutional Neural Networks (ConvNets)
4.3 Brief History of the DCGAN
4.4 Batch Normalization
4.4.1 Computing Batch Normalization
4.5 Tutorial: Generating Handwritten Digits with DCGAN
4.5.1 Import Statements
4.5.2 The Generator
4.5.3 The Discriminator
4.5.4 Build & Run the DCGAN
4.5.5 Model Output
4.6 Conclusion
4.7 Chapter Summary
5 TRAINING & COMMON CHALLENGES: GANING FOR SUCCESS
5.1 Evaluation
5.1.1 Inception Score
5.1.2 Fréchet Inception Distance
5.2 Training challenges
5.2.1 Network depth
5.2.2 Game set-ups
5.2.3 Min-Max GAN (MM-GAN)
5.2.4 Non-Saturating GAN (NS-GAN)
5.2.5 Summary of game setups
5.2.6 Training hacks
5.3 Chapter summary
6 PROGRESSING WITH GANS
6.1 Latent space interpolation
6.2 They grow up so fast
6.2.1 Progressive Growing & Smoothing in of Higher Resolution Layers
6.2.2 Minibatch Standard Deviation
6.2.3 Equalized Learning Rate
6.2.4 Pixel-wise Feature Normalization
6.3 Summary of key innovations
6.4 Tensorflow Hub and hands-on
6.5 Practical Applications
6.6 Chapter summary
7 SEMI-SUPERVISED GAN
7.1 Introduction: “The GAN Zoo”
7.2 Semi-Supervised GAN (SGAN)
7.2.1 Why Semi-Supervised Learning?
7.2.2 What is Semi-Supervised GAN?
7.3 Tutorial: Implementing Semi-Supervised GAN
7.3.1 Architecture Diagram
7.3.2 Implementation
7.3.3 Setup
7.3.4 The Dataset
7.3.5 The Generator
7.3.6 The Discriminator
7.3.7 Build the Model
7.3.8 Training
7.3.9 Train the Model
7.3.10 Model Training and Test Accuracy
7.3.11 Comparison to a Fully-Supervised Classifier
7.4 Conclusion
7.5 Summary
8 CONDITIONAL GAN
8.1 Introduction
8.2 Conditional GAN (CGAN)
8.2.1 What is Conditional GAN?
8.3 Tutorial: Implementing Conditional GAN
8.3.1 Implementation
8.3.2 Setup
8.3.3 The Generator
8.3.4 Build the Model
8.3.5 Training
8.3.6 Outputting Sample Images
8.3.7 Train the Model
8.4 Inspecting the Output: Targeted Data Generation
8.5 Conclusion
8.6 Summary
9 CYCLEGAN
9.1 Introduction
9.2 Image-to-Image Translation
9.3 Cycle Consistent Loss: there and back aGAN
9.4 Adversarial Loss
9.5 Identity Loss
9.6 Architecture
9.7 CycleGAN architecture: building the network
9.8 Generator architecture
9.9 Discriminator architecture
9.10 Object Oriented Design of GANs
9.11 Tutorial: CycleGAN
9.12 Building the network
9.13 Running CycleGAN
9.14 Expansions, augmentations and applications
9.15 Applications
9.16 Summary
10 ADVERSARIAL EXAMPLES
10.1 Introduction
10.2 Context of Adversarial Examples
10.3 Lies, Damned Lies and Distributions
10.4 Use and abuse of training
10.5 Signal and the noise
10.6 Not all hope is lost
10.7 Conclusion
10.8 Summary
11 PRACTICAL APPLICATIONS OF GANS
11.1 Introduction
11.2 GANs in Medicine
11.2.1 Using GANs to Improve Diagnostic Accuracy
11.3 GANs in Fashion
11.3.1 Using GANs to Design Fashion
11.4 Conclusion
11.5 Summary
12 LOOKING AHEAD
12.1 Introduction
12.2 Ethics
12.3 GAN Innovations
12.4 Relativistic GAN (RGAN)
12.4.1 Application
12.5 Self-Attention GAN (SAGAN)
12.5.1 Application
12.6 BigGAN
12.6.1 Application
12.7 Further reading
12.8 Looking Back & Closing Thoughts
12.9 Conclusion
12.10 Summary
APPENDIXES
APPENDIX A: TECHNICAL/DEPLOYMENTS
後臺私信回覆“GAN” 獲取《GAN實戰》下載鏈接
Jakub Langr畢業於牛津大學，並在牛津大學的計算服務院任教。他從2013年開始從事數據科學工作，最近開始擔任Filtered.com的數據科學技術主管和Mudano的研發數據科學家。Jakub是曼寧出版社出版的《GANs in Action》的合著作者，這本書是市場上目前唯一一本關於生成對抗網絡（GAN）的書。Jakub還在伯明翰大學參與設計並教授數據科學課程。
弗拉基米爾•博克(Vladimir Bok)是Intent Media的高級產品經理。Intent Media是一家為領先旅遊網站提供數據科學服務的公司，他幫助監管該公司的機器學習研究和基礎設施團隊。在此之前，他是微軟的項目經理。弗拉迪米爾以優異成績畢業於哈佛大學計算機科學專業。他曾在早期的金融科技公司擔任軟件工程師，包括PayPal聯合創始人Max Levchin創辦的一家公司，以及Y Combinator初創公司的數據科學家。
校對：林亦霖
— 完 —
關注清華-青島數據科學研究院官方微信公眾平臺“THU數據派”及姊妹號“數據派THU”獲取更多講座福利及優質內容。
閱讀更多 THU數據派 的文章
