GAN 生成對抗神經網絡原理與實踐

生成對抗神經網絡（Generative Adversarial Nets，GAN）作為一種深度學習框架，發展十分迅猛。
通過相互對抗的神經網絡模型，GAN能夠生成結構複雜且十分逼真的高維度數據。
因此，GAN被廣泛地應用在學術研究和工程領域，包括圖像處理，如圖像生成、圖像轉換、視頻合成等；
序列數據生成，如語音生成、音樂生成等；
以及其他眾多領域，如遷移學習、醫學圖像細分、隱寫術、持續學習（深度學習重放）等。
GAN的技術較為複雜，細分領域眾多，因此需要有一個高效率的學習方法。
首先，需要了解GAN的全景，對GAN的發展脈絡和各個細分領域都有所了解。
這樣，當我們面對各種各樣的應用場景時，才能夠做到胸有成竹。
其次，掌握生成對抗的基本原理，以及實現生成對抗的關鍵技術。
這樣，當我們面對在GAN領域出現的各種新理念、新技術時，才能夠追本溯源，從容應對。
最後，針對自己感興趣的GAN進行深入地研究。
本書正是這樣組織的，讓有志於學習研究GAN的人能夠快速入門並掌握GAN的關鍵技術。

李明軍
資深數據挖掘與人工智能專家，在大數據分析與挖掘、機器學習、人工智能等領域實戰經驗豐富。
華北理工大學學士，曾就職於Teradata、中國惠普、神州泰岳和億陽信通，現工作於東方國信。
在知乎著有多個專欄：計算機視覺、生成對抗網絡、強化學習等。著有《TensorFlow深度學習實戰大全》。

第1章 生成對抗神經網絡綜述　　　　1
1.1 什麼是生成對抗神經網絡？　　　　2
1.2 為什麼要學習GAN？　　　　5
1.3 應用場景　　　　9
1.4 技術難點　　　　18
1.5 潛在空間的處理　　　　22
1.6 第一個GAN實戰　　　　27
第2章 TensorFlow 2.0安裝　　　　39
2.1 通過Docker安裝　　　　40
2.2 通過conda安裝　　　　41
第3章 神經網絡原理　　　　43
3.1 應用場景簡介　　　　44
3.2 深層神經網絡簡介　　　　46
3.3 卷積神經網絡簡介　　　　53
3.4 反捲積神經網絡簡介　　　　61
第4章 TensorFlow 2.0開發入門　　　　65
4.1 開發環境　　　　66
4.2 張量　　　　68
4.3 Keras開發概覽　　　　72
4.4 使用函數接口開發　　　　87
4.5 網絡層　　　　99
4.6 激活函數　　　　104
4.7 損失函數　　　　108
4.8 優化器　　　　110
第5章 常用數據集　　　　112
5.1 MNIST　　　　113
5.2 Fashion-MNIST　　　　115
5.3 CIFAR-10　　　　118
5.4 CIFAR-100　　　　120
第6章 DCGAN　　　　123
6.1 DCGAN概述　　　　124
6.2 批量標準化　　　　124
6.3 使用多種激活函數　　　　125
6.4 在MNIST數據集上的實現　　　　126
6.5 在LSUN數據集上的實現　　　　139
第7章 CGAN　　　　148
7.1 CGAN概述　　　　149
7.2 在MNIST數據集上的實現　　　　153
第8章 InfoGAN　　　　179
8.1 技術原理　　　　180
8.2 模型實現技巧　　　　183
8.3 在MNIST數據集上的實現　　　　185
8.4 在Fashion MNIST數據集上
的實現　　　　201
第9章 SGAN　　　　204
9.1 技術原理　　　　205
9.2 模型訓練　　　　207
9.3 SGAN在MNIST數據集上的
實現　　　　210
9.4 SGAN在CIFAR數據集上的
實現　　　　242
第10章 CycleGAN　　　　267
10.1 CycleGAN簡介　　　　268
10.2 技術原理　　　　268
10.3 技術實現　　　　270