1. 暢銷書《Python神經網絡編程》作者近期新力作；2. 本書以直白、簡短的方式介紹了生成對抗網絡，指導讀者按部就班地編寫生成對抗網絡；3. 本書介紹了計算平衡GAN的理想損失值、卷積的工作原理等被很多機器學習相關教程忽略的主題，對訓練GAN的主要挑戰進行了討論，十分具有啟發性；4. 全彩印刷，配套示例代碼，圖文並茂，易懂實用。我很喜歡將這本書作為周日早晨的讀物。更讓我激動的是，本書展示了實現各種示例的細節。我會向任何想開始學習生成對抗網絡的人推薦這本書。--JV 讀者作等

●第1章 PyTorch和神經網絡 001
1.1 PyTorch入門 001
1.2 初試PyTorch神經網絡 018
1.3 改良方法 043
1.4 CUDA基礎知識 054
第2章 GAN初步 064
2.1 GAN的概念 064
2.2 生成1010格式規律 072
2.3 生成手寫數字 090
2.4 生成人臉圖像 117
第3章 卷積GAN和條件式GAN 140
3.1 卷積GAN 140
3.2 條件式GAN 166
3.3 結語 176
附錄A 理想的損失值 178
A.1 MSE損失 178
A.2 BCE損失 179
附錄B GAN學習可能性 186
B.1 GAN不會記憶訓練數據 186
B.2 簡單的例子 187
B.3 從一個概率分布中生成圖像 188
B.4 為圖像特征學習像素組合 189
B.5 多模式以及模式崩潰 190
附錄C 卷積案例 191
C.1 例1: 卷積，步長為1，無補全 191
C.2 例2: 卷積，步長為2，無補全 192
C.3 例3: 卷積，步長為2，有補全 193
C.4 例4: 卷積，不接近覆蓋 194
C.5 例5: 轉置卷積，步長為2，無補全 194
C.6 例6: 轉置卷積，步長為1，無補全 196
C.7 例7: 轉置卷積，步長為2，有補全 197
C.8 計算輸出大小 197
附錄D 不穩定學習 199
D.1 梯度下降是否適用於訓練GAN 199
D.2 簡單的對抗案例 199
D.3 梯度下降並不適合對抗博弈 203
D.4 為什麼是圓形軌跡 204
附錄E 相關數據集和軟件 205
E.1 MNIST數據集 205
E.2 CelebA數據集 205
E.3 英偉達和谷歌 206
E.4 開源軟件 206

生成對抗網絡（Generative Adversarial Network，GAN）是神經網絡領域的新星，被譽為“機器學習領域近20年來最酷的想法”。本書以直白、簡短的方式向讀者介紹了生成對抗網絡，並且教讀者如何使用PyTorch按部就班地編寫生成對抗網絡。全書共3章和5個附錄，分別介紹了PyTorch基礎知識，用PyTorch開發神經網絡，改良神經網絡以提升效果，引入CUDA和GPU以加速GAN訓練，以及生成高質量圖像的卷積GAN、條件式GAN等話題。附錄部分介紹了在很多機器學習相關教程中被忽略的主題，包括計算平衡GAN的理想損失值、概率分布和采樣，以及卷積如何工作，還簡單解釋了為什麼梯度下降不適用於對抗式機器學習。本書適合想初步了解GAN以及其工作原理的讀者,也適合想要學習如何構建GAN的機器學習從業人員。對於正在學習機器學習相關課程的學生，本書可以幫助讀者快速入門，為後續的學習打等

(英)塔裡克·拉希德 著 韓江雷 譯