●前言 iii 第 1章 生成對抗網絡簡介 1 1.1 什麼是GAN 1 1.1.1 什麼是生成網絡 1 1.1.2 什麼是判別網絡 2 1.1.3 GAN通過對抗競賽進行訓練 2 1.2 GAN的實際應用 2 1.3 GAN的具體架構 3 1.3.1 生成網絡的架構 3 1.3.2 判別網絡的架構 4 1.3.3 GAN相關重要概念 5 1.3.4 評分算法 7 1.4 GAN變體 8 1.4.1 深度卷積生成對抗網絡 8 1.4.2 StackGAN 9 1.4.3 CycleGAN 9 1.4.4 3D-GAN 9 1.4.5 Age-cGAN 9 1.4.6 pix2pix 9 1.5 GAN的優勢 10 1.6 訓練GAN的問題 10 1.6.1 模式塌陷 10 1.6.2 梯度消失 10 1.6.3 內部協變量轉移 11 1.7 解決GAN訓練穩定性問題 11 1.7.1 特征匹配 11 1.7.2 小批量判別 12 1.7.3 歷史平均 13 1.7.4 單面標簽平滑 13 1.7.5 批歸一化 14 1.7.6 實例歸一化 14 1.8 小結 14 第 2章 使用3D-GAN生成圖形 15 2.1 3D-GAN簡介 15 2.1.1 3D卷積 15 2.1.2 3D-GAN架構 16 2.1.3 目標函數 20 2.1.4 訓練3D-GAN 20 2.2 創建項目 21 2.3 準備數據 21 2.3.1 並提取數據集 22 2.3.2 探索數據集 22 2.4 3D-GAN的Keras實現 25 2.4.1 生成網絡 25 2.4.2 判別網絡 27 2.5 訓練3D-GAN 28 2.5.1 訓練兩個網絡 28 2.5.2 保存模型 31 2.5.3 測試模型 32 2.5.4 損失可視化 32 2.5.5 圖可視化 33 2.6 超參數優化 34 2.7 3D-GAN的實際應用 34 2.8 小結 34 第3章 使用cGAN實現人臉老化 35 3.1 人臉老化cGAN簡介 35 3.1.1 理解cGAN 35 3.1.2 Age-cGAN架構 36 3.1.3 Age-cGAN的訓練階段 37 3.2 創建項目 39 3.3 準備數據 39 3.3.1 數據集 40 3.3.2 提取數據集 40 3.4 Age-cGAN的Keras實現 41 3.4.1 編碼網絡 42 3.4.2 生成網絡 44 3.4.3 判別網絡 47 3.5 訓練cGAN 49 3.5.1 訓練cGAN 49 3.5.2 潛在向量初步近似 55 3.5.3 潛在向量優化 57 3.5.4 損失可視化 59 3.5.5 圖可視化 60 3.6 Age-cGAN的實際應用 61 3.7 小結 62 第4章 使用DCGAN生成動畫人物 63 4.1 DCGAN 簡介 63 4.2 創建項目 69 4.3 並準備動畫人物數據集 70 4.3.1 數據集 70 4.3.2 探索數據集 71 4.3.3 剪裁及縮放訓練集圖像 71 4.4 使用Keras實現DCGAN 73 4.4.1 生成網絡 74 4.4.2 判別網絡 76 4.5 訓練DCGAN 78 4.5.1 加載樣本 79 4.5.2 構建並編譯網絡 79 4.5.3 訓練判別網絡 81 4.5.4 訓練生成網絡 81 4.5.5 生成圖像 82 4.5.6 保存模型 83 4.5.7 生成圖像可視化 83 4.5.8 損失可視化 84 4.5.9 圖可視化 85 4.5.10 超參數調優 85 4.6 DCGAN的實際應用 86 4.7 小結 86 第5章 使用SRGAN生成逼真圖像 87 5.1 SRGAN簡介 87 5.1.1 SRGAN架構 87 5.1.2 訓練目標函數 91 5.2 創建項目 92 5.3 CelebA數據集 93 5.4 SRGAN的Keras實現 94 5.4.1 生成網絡 94 5.4.2 判別網絡 98 5.4.3 VGG19網絡 101 5.4.4 對抗網絡 102 5.5 訓練SRGAN 103 5.5.1 構建並編譯網絡 103 5.5.2 訓練判別網絡 105 5.5.3 訓練生成網絡 106 5.5.4 保存模型 107 5.5.5 生成圖像可視化 107 5.5.6 損失可視化 109 5.5.7 圖可視化 110 5.6 SRGAN的實際應用 110 5.7 小結 110 第6章 StackGAN：基於文本合成逼真圖像 111 6.1 StackGAN簡介 111 6.2 StackGAN架構 112 6.2.1 文本編碼網絡 113 6.2.2 CA塊 113 6.2.3 第 一階段 114 6.2.4 第二階段 117 6.3 創建項目 122 6.4 準備數據 123 6.4.1 數據集 123 6.4.2 提取數據集 124 6.4.3 探索數據集 124 6.5 StackGAN的Keras 實現 124 6.5.1 第 一階段 124 6.5.2 第二階段 132 6.6 訓練 StackGAN 141 6.6.1 訓練StackGAN第 一階段 141 6.6.2 訓練StackGAN第二階段 148 6.6.3 生成圖像可視化 152 6.6.4 損失可視化 152 6.6.5 圖可視化 153 6.7 StackGAN的實際應用 154 6.8 小結 154 第7章 使用CycleGAN將繪畫轉換為照片 155 7.1 CycleGAN簡介 155 7.1.1 CycleGAN 架構 156 7.1.2 訓練目標函數 160 7.2 創建項目 161 7.3 數據集 162 7.4 CycleGAN的Keras實現 162 7.4.1 生成網絡 163 7.4.2 判別網絡 165 7.5 訓練 CycleGAN 167 7.5.1 加載數據集 167 7.5.2 構建並編譯網絡 169 7.5.3 開始訓練 171 7.5.4 保存模型 173 7.5.5 生成圖像可視化 174 7.5.6 損失可視化 175 7.5.7 圖可視化 176 7.6 CycleGAN的實際應用 176 7.7 小結 177 7.8 延伸閱讀 177 第8章 使用cGAN實現圖像對圖像變換 178 8.1 pix2pix簡介 178 8.1.1 pix2pix架構 179 8.1.2 訓練目標函數 184 8.2 創建項目 184 8.3 準備數據 185 8.4 pix2pix的Keras實現 189 8.4.1 生成網絡 189 8.4.2 判別網絡 195 8.4.3 對抗網絡 200 8.5 訓練pix2pix網絡 202 8.5.1 保存模型 206 8.5.2 生成圖像可視化 206 8.5.3 損失可視化 207 8.5.4 圖可視化 208 8.6 pix2pix網絡的實際應用 208 8.7 小結 211 第9章 預測GAN的未來 210 9.1 對GAN未來的預測 211 9.1.1 提升現有的深度學習方法 211 9.1.2 GAN商業應用的演化 211 9.1.3 GAN訓練過程的成熟 211 9.2 GAN未來的潛在應用 211 9.2.1 基於文本創建信息圖 212 9.2.2 設計網站 212 9.2.3 壓縮數據 212 9.2.4 研發藥物 212 9.2.5 使用GAN生成文本 212 9.2.6 使用GAN生成音樂 213 9.3 探索GAN 213 9.4 小結 213 版權聲明 214