生成对抗网络项目实战

封面

版权信息

作者简介

译者简介

前言

读者对象

本书内容

如何使用本书

下载示例代码文件

排版约定

联系我们

评论

电子书

第1章 生成对抗网络简介

1.1 什么是GAN

1.2 GAN的实际应用

1.3 GAN的具体架构

1.4 GAN变体

1.5 GAN的优势

1.6 训练GAN的问题

1.7 解决GAN训练稳定性问题

1.8 小结

第2章 使用3D-GAN生成图形

2.1 3D-GAN简介

2.2 创建项目

2.3 准备数据

2.4 3D-GAN的Keras实现

2.5 训练3D-GAN

2.6 超参数优化

2.7 3D-GAN的实际应用

2.8 小结

第3章 使用cGAN实现人脸老化

3.1 人脸老化cGAN简介

3.2 创建项目

3.3 准备数据

3.4 Age-cGAN的Keras实现

3.5 训练cGAN

3.6 Age-cGAN的实际应用

3.7 小结

第4章 使用DCGAN生成动画人物

4.1 DCGAN简介

4.2 创建项目

4.3 下载并准备动画人物数据集

4.4 使用Keras实现DCGAN

4.5 训练DCGAN

4.6 DCGAN的实际应用

4.7 小结

第5章 使用SRGAN生成逼真图像

5.1 SRGAN简介

5.2 创建项目

5.3 下载CelebA数据集

5.4 SRGAN的Keras实现

5.5 训练SRGAN

5.6 SRGAN的实际应用

5.7 小结

第6章 StackGAN：基于文本合成逼真图像

6.1 StackGAN简介

6.2 StackGAN架构

6.3 创建项目

6.4 准备数据

6.5 StackGAN的Keras实现

6.6 训练StackGAN

6.7 StackGAN的实际应用

6.8 小结

第7章 使用CycleGAN将绘画转换为照片

7.1 CycleGAN简介

7.2 创建项目

7.3 下载数据集

7.4 CycleGAN的Keras实现

7.5 训练CycleGAN

7.6 CycleGAN的实际应用

7.7 小结

7.8 延伸阅读

第8章 使用cGAN实现图像对图像变换

8.1 pix2pix简介

8.2 创建项目

8.3 准备数据

8.4 pix2pix的Keras实现

8.5 训练pix2pix网络

8.6 pix2pix网络的实际应用

8.7 小结

第9章 预测GAN的未来

9.1 对GAN未来的预测

9.2 GAN未来的潜在应用

9.3 探索GAN