生成對抗網絡入門指南（第2版） Generative adversarial Network

生成對抗網絡毫無疑問是當今熱門的人工智能技術之一，
曾被美國《麻省理工科技評論》評選為“全球十大突破性技術”。
《生成對抗網絡入門指南》是一本結合基礎理論與工程實踐的入門型書籍，
深入淺出地講解了生成對抗網絡的各類模型以及技術發展。
本書面向機器學習從業人員、在校相關專業學生以及具備一定基礎的人工智能領域愛好者。
通過本書的學習，能夠了解生成對抗網絡的技術原理，
並通過書中的代碼實例深入技術細節。
本書共分12個章節，
其中前半部分分別介紹了目前研究領域已經較為成熟的生成對抗網絡模型，
比如DCGAN、WGAN等等，以及大量不同結構的生成對抗網絡變種。
本書後半部分介紹了文本到圖像的生成、圖像到圖像的生成、離散數據的生成以及當前前沿的高質量生成技術，
結尾總結了目前生成對抗網絡在行業應用中的研究與發展。
希望本書能夠幫助廣大讀者跟上新技術的前沿，
成為人工智能時代的先行者。

史丹青

同濟大學博士研究生，專業方向為人工智能與數據設計，
在計算機頂級會議上發表多篇智能生成相關論文。
曾擔任語憶科技聯合創始人兼技術負責人，擁有多年人工智能領域創業與實戰經驗，
具備深度學習、自然語言處理以及數據可視化等相關知識與技能。
他是人工智能技術的愛好者，喜歡擁抱一切新興科技，
並始終堅信技術分享和開源精神的力量。

第1章人工智能入門1
1.1人工智能的歷史以及發展1
1.1.1人工智能的誕生3
1.1.2人工智能的兩起兩落6
1.1.3新時代的人工智能8
1.2機器學習與深度學習10
1.2.1機器學習分類11
1.2.2神經網絡與深度學習12
1.2.3深度學習的應用13
1.3了解生成對抗網絡15
1.3.1從機器感知到機器創造15
1.3.2什麼是生成對抗網絡18
1.4本章小結20

第2章預備知識與開發工具21
2.1 Python語言與開發框架21
2.1.1 Python語言21
2.1.2常用工具簡介23
2.1.3第三方框架簡介26
2.2 TensorFlow基礎入門27
2.2.1 TensorFlow簡介與安裝27
2.2.2 TensorFlow實例：圖像分類30
2.3 Keras基礎入門32
2.3.1 Keras簡介與安裝32
2.3.2 Keras使用入門34
2.3.3 Keras實例：文本情感分析37
2.4本章小結39

第3章理解生成對抗網絡40
3.1生成模型40
3.1.1生成模型簡介40
3.1.2自動編碼器42
3.1.3變分自動編碼器44
3.2 GAN的數學原理47
3.2.1似然估計47
3.2.2 GAN的數學推導50
3.3 GAN的可視化理解54
3.4 GAN的工程實踐55
3.5本章小結63

第4章深度卷積生成對抗網絡64
4.1 DCGAN的框架64
4.1.1 DCGAN設計規則64
4.1.2 DCGAN框架結構68
4.2 DCGAN的工程實踐69
4.3 DCGAN的實驗性應用77
4.3.1生成圖像的變換77
4.3.2生成圖像的算術運算79
4.3.3殘缺圖像的補全81
4.4本章小結83

第5章Wasserstein GAN 84
5.1 GAN的優化問題84
5.2 WGAN的理論研究88
5.3 WGAN的工程實踐91
5.4 WGAN的實驗效果分析95
5.4.1代價函數與生成質量的相關性95
5.4.2生成網絡的穩定性96
5.4.3模式崩潰問題99
5.5 WGAN的改進方案：WGAN-GP 99
5.6本章小結103

第6章不同結構的GAN 104
6.1 GAN與監督式學習104
6.1.1條件式生成：cGAN 104
6.1.2 cGAN在圖像上的應用106
6.2 GAN與半監督式學習109
6.2.1半監督式生成：SGAN 109
6.2.2輔助分類生成：ACGAN 111
6.3 GAN與無監督式學習112
6.3.1無監督式學習與可解釋型特徵112
6.3.2理解InfoGAN 114
6.4本章小結119

第7章文本到圖像的生成120
7.1文本條件式生成對抗網絡120
7.2文本生成圖像進階：GAWWN 124
7.3文本到高質量圖像的生成127
7.3.1層級式圖像生成：StackGAN 128
7.3.2層級式圖像生成的優化：StackGAN-v2 133
7.4本章小結135

第8章圖像到圖像的生成136
8.1可交互圖像轉換：iGAN 136
8.1.1可交互圖像轉換的用途136
8.1.2 iGAN的實現方法138
8.1.3 iGAN軟件簡介與使用方法141
8.2匹配數據圖像轉換：Pix2Pix 144
8.2.1理解匹配數據的圖像轉換144
8.2.2 Pix2Pix的理論基礎146
8.2.3 Pix2Pix的應用實踐150
8.3非匹配數據圖像轉換：CycleGAN 157
8.3.1理解非匹配數據的圖像轉換157
8.3.2 CycleGAN的理論基礎162
8.3.3 CycleGAN的應用實踐165
8.4多領域圖像轉換：StarGAN 171
8.4.1多領域的圖像轉換問題171
8.4.2 StarGAN的理論基礎174
8.4.3 StarGAN的應用實踐177
8.5本章小結182

第9章序列數據的生成183
9.1序列生成的問題183
9.2 GAN的序列生成方法184
9.3自然語言生成187
9.4本章小結191

第10章GAN與強化學習及逆向強化學習192
10.1 GAN與強化學習192
10.1.1強化學習基礎192
10.1.2 Actor-Critic 195
10.1.3 GAN與強化學習的關聯196
10.2 GAN與逆向強化學習197
10.2.1逆向強化學習基礎197
10.2.2經典IRL算法198
10.2.3 GAN的模仿學習：GAIL 200
10.3本章小結201

第11章新一代GAN 202
11.1 GAN的評估方法202
11.2 GAN的進化205
11.2.1 SNGAN與SAGAN 205
11.2.2 BigGAN 206
11.2.3 StyleGAN 208
11.3本章小結210

第12章GAN的應用與發展211
12.1多媒體領域的應用211
12.1.1圖像處理211
12.1.2音頻合成218
12.2藝術領域的應用221
12.2.1 AI能否創造藝術221
12.2.2 AI與計算機藝術的發展223
12.2.3藝術生成網絡：從藝術模仿到創意生成231
12.3設計領域的應用238
12.3.1 AI時代的設計238
12.3. 2 AI輔助式設計的研究240
12.4安全領域的應用249
12.5本章小結252
參考文獻253