《生成对抗网络项目实战＝GENERATIVE ADVERSARIAL NETWORKS PROJECTS》求取 ⇩

第1章生成对抗网络简介1

1.1什么是GAN1

1.1.1 什么是生成网络1

1.1.2 什么是判别网络2

1.1.3 GAN通过对抗竞赛进行训练2

1.2 GAN的实际应用2

1.3GAN的具体架构3

1.3.1 生成网络的架构3

1.3.2 判别网络的架构4

1.3.3 GAN相关重要概念5

1.3.4 评分算法7

1.4GAN变体8

1.4.1 深度卷积生成对抗网络8

1.4.2 StackGAN9

1.4.3 CycleGAN9

1.4.4 3D-GAN9

1.4.5 Age-cGAN9

1.4.6 pix2pix9

1.5 GAN的优势10

1.6训练GAN的问题10

1.6.1 模式塌陷10

1.6.2 梯度消失10

1.6.3 内部协变量转移11

1.7解决GAN训练稳定性问题11

1.7.1 特征匹配11

1.7.2 小批量判别12

1.7.3 历史平均13

1.7.4 单面标签平滑13

1.7.5 批归一化14

1.7.6 实例归一化14

1.8 小结14

第2章使用3D-GAN生成图形15

2.13D-GAN简介15

2.1.1 3D卷积15

2.1.2 3D-GAN架构16

2.1.3 目标函数20

2.1.4 训练3D-GAN20

2.2 创建项目21

2.3准备数据21

2.3.1 下载并提取数据集22

2.3.2 探索数据集22

2.43D-GAN的Keras实现25

2.4.1 生成网络25

2.4.2 判别网络27

2.5训练3D-GAN28

2.5.1 训练两个网络28

2.5.2 保存模型31

2.5.3 测试模型32

2.5.4 损失可视化32

2.5.5 图可视化33

2.6 超参数优化34

2.7 3D-GAN的实际应用34

2.8 小结34

第3章使用cGAN实现人脸老化35

3.1人脸老化cGAN简介35

3.1.1 理解cGAN35

3.1.2 Age-cGAN架构36

3.1.3 Age-cGAN的训练阶段37

3.2 创建项目39

3.3准备数据39

3.3.1 下载数据集40

3.3.2 提取数据集40

3.4Age-cGAN的Keras实现41

3.4.1 编码网络42

3.4.2 生成网络44

3.4.3 判别网络47

3.5训练cGAN49

3.5.1 训练cGAN49

3.5.2 潜在向量初步近似55

3.5.3 潜在向量优化57

3.5.4 损失可视化59

3.5.5 图可视化60

3.6 Age-cGAN的实际应用61

3.7 小结62

第4章使用DCGAN生成动画人物63

4.1 DCGAN简介63

4.2 创建项目69

4.3下载并准备动画人物数据集70

4.3.1 下载数据集70

4.3.2 探索数据集71

4.3.3 剪裁及缩放训练集图像71

4.4使用Keras实现DCGAN73

4.4.1 生成网络74

4.4.2 判别网络76

4.5训练DCGAN78

4.5.1 加载样本79

4.5.2 构建并编译网络79

4.5.3 训练判别网络81

4.5.4 训练生成网络81

4.5.5 生成图像82

4.5.6 保存模型83

4.5.7 生成图像可视化83

4.5.8 损失可视化84

4.5.9 图可视化85

4.5.10 超参数调优85

4.6 DCGAN的实际应用86

4.7 小结86

第5章使用SRGAN生成逼真图像87

5.1SRGAN简介87

5.1.1 SRGAN架构87

5.1.2 训练目标函数91

5.2 创建项目92

5.3 下载CelebA数据集93

5.4SRGAN的Keras实现94

5.4.1 生成网络94

5.4.2 判别网络98

5.4.3 VGG19网络101

5.4.4 对抗网络102

5.5训练SRGAN103

5.5.1 构建并编译网络103

5.5.2 训练判别网络105

5.5.3 训练生成网络106

5.5.4 保存模型107

5.5.5 生成图像可视化107

5.5.6 损失可视化109

5.5.7 图可视化110

5.6 SRGAN的实际应用110

5.7 小结110

第6章StackGAN：基于文本合成逼真图像111

6.1 StackGAN简介111

6.2StackGAN架构112

6.2.1 文本编码网络113

6.2.2 CA块113

6.2.3 第一阶段114

6.2.4 第二阶段117

6.3 创建项目122

6.4准备数据123

6.4.1 下载数据集123

6.4.2 提取数据集124

6.4.3 探索数据集124

6.5StackGAN的Keras实现124

6.5.1 第一阶段124

6.5.2 第二阶段132

6.6训练StackGAN141

6.6.1 训练StackGAN的第一阶段141

6.6.2 训练StackGAN的第二阶段148

6.6.3 生成图像可视化152

6.6.4 损失可视化152

6.6.5 图可视化153

6.7 StackGAN的实际应用154

6.8 小结154

第7章使用CycleGAN将绘画转换为照片155

7.1CycleGAN简介155

7.1.1 CycleGAN架构156

7.1.2 训练目标函数160

7.2 创建项目161

7.3 下载数据集162

7.4CycleGAN的Keras实现162

7.4.1 生成网络163

7.4.2 判别网络165

7.5训练CycleGAN167

7.5.1 加载数据集167

7.5.2 构建并编译网络169

7.5.3 开始训练171

7.5.4 保存模型173

7.5.5 生成图像可视化174

7.5.6 损失可视化175

7.5.7 图可视化176

7.6 CycleGAN的实际应用176

7.7 小结177

7.8 延伸阅读177

第8章使用cGAN实现图像对图像变换178

8.1pix2pix简介178

8.1.1 pix2pix架构179

8.1.2 训练目标函数184

8.2 创建项目184

8.3 准备数据185

8.4pix2pix的Keras实现189

8.4.1 生成网络189

8.4.2 判别网络195

8.4.3 对抗网络200

8.5训练pix2pix网络202

8.5.1 保存模型206

8.5.2 生成图像可视化206

8.5.3 损失可视化207

8.5.4 图可视化208

8.6 pix2pix网络的实际应用208

8.7 小结209

第9章预测GAN的未来210

9.1对GAN未来的预测211

9.1.1 提升现有的深度学习方法211

9.1.2 GAN商业应用的演化211

9.1.3 GAN训练过程的成熟211

9.2GAN未来的潜在应用211

9.2.1 基于文本创建信息图212

9.2.2 设计网站212

9.2.3 压缩数据212

9.2.4 研发药物212

9.2.5 使用GAN生成文本212

9.2.6 使用GAN生成音乐213

9.3 探索GAN213

9.4 小结213