新書推薦：
《
时空大数据的＂形状＂：几何和拓扑的视角
》
售價：NT$
614.0
《
交锋二十年 （日本奇迹系列，美国与日本贸易摩擦）
》
售價：NT$
411.0
《
公民们：法国大革命编年史
》
售價：NT$
978.0
《
金雀花帝国（中世纪史名著译丛）
》
售價：NT$
442.0
《
学习是我一生的倚靠（希腊前总理的学习人生）
》
售價：NT$
302.0
《
两个欧洲
》
售價：NT$
510.0
《
第二次世界大战的起源
》
售價：NT$
718.0
《
迷失的盛宴：中国商业保险史：1919—2023
》
售價：NT$
718.0
|
| 內容簡介： |
|
本书是一本使用深度学习生成图像和视频的实用指南。书中深入浅出地介绍了基于TensorFlow生成图像的基本原理。本书有三部分共10章，第一部分介绍使用TensorFlow生成图像的基本知识，包括概率模型、自动编码器和生成对抗网络（GAN）；第二部分通过一些应用程序案例介绍具体的图像生成模型，包括图像到图像转换技术、风格转换和人工智能（AI）画家案例；第三部分介绍生成对抗网络的具体应用，包括高保真面孔生成、图像生成的自我关注和视频合成。本书内容详尽、案例丰富，通过阅读本书，读者不仅可以理解基于TensorFlow生成图像的基本原理，还可以真正掌握图像生成的技能。本书适合图像处理、计算机视觉和机器学习等专业的本科生、研究生及相关技术人员阅读参考。
|
| 關於作者： |
|
Soon Yau Cheong是一名人工智能顾问，也是Sooner.ai公司的创始人，曾与NVIDIA和高通等行业巨头合作，在人工智能的各个领域提供咨询服务，如深度学习、计算机视觉、自然语言处理和大数据分析。冒燕，男，1978年5月生，武汉理工大学讲师，博士学历，主要从事光纤传感及医学OCT系统成像等技术等研究。发表论文30余篇，其中SCI/EI检索论文15篇。获得授权国家发明专利4项，省部级科技奖励5项，参与编写出版著作2本。
|
| 目錄：
|
|
目 录第1篇 TensorFlow生成图像的基本原理第1章 开始使用TensorFlow生成图像21.1 技术要求21.2 理解概率21.2.1 概率分布31.2.2 预测置信度41.2.3 像素的联合概率41.3 用概率模型生成人脸71.3.1 创建面孔71.3.2 条件概率91.3.3 概率生成模型101.3.4 参数化建模121.4 从零开始构建PixelCNN模型131.4.1 自回归模型141.4.2 PixelRNN141.4.3 使用TensorFlow 2构建PixelCNN模型141.5 本章小结21第2章 变分自编码器222.1 技术要求222.2 用自编码器学习潜在变量222.2.1 编码器232.2.2 解码器262.2.3 构建自编码器282.2.4 从潜在变量生成图像292.3 变分自编码器312.3.1 高斯分布312.3.2 采样潜在变量332.3.3 损失函数362.4 用变分自编码器生成人脸382.4.1 网络体系结构382.4.2 面部重建392.4.3 生成新面孔402.4.4 采样技巧402.5 控制面部属性422.5.1 潜在空间运算422.5.2 寻找属性向量422.5.3 面部编辑432.6 本章小结45第3章 生成对抗网络463.1 技术要求463.2 了解GAN的基本原理473.2.1 GAN的架构473.2.2 价值函数483.2.3 GAN训练步骤513.3 构建深度卷积GAN（DCGAN）533.3.1 结构指南533.3.2 建立Fashion-MNIST的DCGAN553.3.3 训练我们的DCGAN583.4 训练GAN的挑战603.4.1 无信息损失和度量603.4.2 不稳定性613.4.3 梯度消失613.4.4 模式崩塌623.5 建立Wasserstein GAN（WGAN）633.5.1 理解Wasserstein损失643.5.2 实现1-Lipschitz约束653.5.3 重组训练步骤663.5.4 实施梯度惩罚（WGAN-GP）683.5.5 调整CelebA的WGAN-GP713.6 本章小结73第2篇 深度生成模型的应用第4章 图像到图像的翻译764.1 技术要求764.2 条件GAN774.2.1 实现条件DCGAN784.2.2 条件GAN的变体824.3 使用pix2pix进行图像翻译844.3.1 丢弃随机噪声854.3.2 U-Net作为生成器854.3.3 损失函数884.3.4 实现PatchGAN判别器884.3.5 训练pix2pix904.4 CycleGAN的非成对图像翻译914.4.1 未配对的数据集914.4.2 循环一致性损失924.4.3 构建CycleGAN模型934.4.4 分析CycleGAN954.5 用BicycleGAN实现图像翻译多样化964.5.1 理解体系结构974.5.2 实现BicycleGAN994.6 本章小结104第5章 风格迁移1055.1 技术要求1055.2 神经风格迁移1065.2.1 利用VGG提取特征1075.2.2 内容重构1095.2.3 用Gram矩阵重建风格1115.2.4 执行神经风格迁移1135.3 改进风格迁移1145.3.1 使用前馈网络进行快速风格迁移1165.3.2 不同的风格特征1175.3.3 使用归一化层控制风格1175.4 实时任意风格转换1185.4.1 实现自适应实例归一化1195.4.2 风格迁移网络架构1205.4.3 任意风格迁移训练1235.5 基于风格的GAN简介1265.6 本章小结131第6章 人工智能画家1326.1 技术要求1326.2 iGAN介绍1326.2.1 了解流形1346.2.2 图像编辑1356.3 基于GauGAN的分割图到图像的翻译1396.3.1 pix2pixHD介绍1396.3.2 空间自适应归一化（SPADE）1406.3.3 实际应用GauGAN1466.4 本章小结153第3篇 高级深度生成技术第7章 高保真人脸生成1567.1 技术要求1567.2 ProGAN概述1567.2.1 像素归一化1587.2.2 使用小批量统计增加图像变化1597.2.3 均衡学习率1607.3 ProGAN的建立1627.3.1 生成器块的建立1627.3.2 判别器块的建立1647.3.3 逐步发展网络1657.3.4 损失函数1697.3.5 存在的问题1697.4 实际应用StyleGAN1717.4.1 风格化生成器1727.4.2 实现映射网络1737.4.3 添加噪声1747.4.4 AdaIN的实现1747.4.5 建造生成器块1757.4.6 StyleGAN的训练1767.5 本章小结177第8章 图像生成的自注意力机制1788.1 技术要求1788.2 谱归一化1798.2.1 了解谱范数1798.2.2 谱的归一化实现1808.3 自注意力模块1818.3.1 计算机视觉的自注意力1818.3.2 自注意力模块的实现1838.4 建立SAGAN1858.4.1 构建SAGAN生成器1868.4.2 条件批量归一化1878.4.3 构建判别器1898.4.4 训练SAGAN1908.5 实现BigGAN1918.5.1 缩放GAN1918.5.2 跳过潜在向量1928.5.3 共享类嵌入1938.5.4 正交归一化1958.6 本章小结196第9章 视频合成1979.1 技术要求1979.2 视频合成概述1989.2.1 理解人脸视频合成1989.2.2 DeepFake概述1999.3 实现人脸图像处理2019.3.1 从视频中提取图像2019.3.2 检测和定位人脸2029.3.3 面部特征的检测2039.3.4 面部对齐2049.3.5 面部扭曲2069.4 建立DeepFake模型2089.4.1 构建编码器2089.4.2 构建解码器2099.4.3 训练自编码器2109.5 人脸互换2129.6 用GAN改进DeepFake2149.7 本章小结216第10章 总结与展望21710.1 GAN的回顾21710.1.1 优化和激活功能21810.1.2 对抗损失21810.1.3 辅助损失21910.1.4 归一化21910.1.5 正则化22010.2 将你的技能付诸实践22110.2.1 不要相信你读到的一切22110.2.2 你的GPU够强吗22110.2.3 使用现有的模型构建你的模型22110.2.4 理解模型的局限性22210.3 图像处理22210.3.1 图像修整22210.3.2 图像压缩22410.3.3 图像超分辨率22510.4 文本转图像22510.5 视频重定向22710.5.1 人脸再现22810.5.2 姿势转换22910.5.3 运动转移23010.6 神经渲染23110.7 本章小结233
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
