·市面上難得一見的既蘊含底層模型的數學之美，又注重操作實踐的生成對抗網絡入門到精通的好書。
·企業一線開發工程師與應用型本科院校知名教師，雙劍合璧，兼顧理論實戰。
·學者網創始人湯庸教授、《深度學習之美》作者張玉宏、景略集智CEO王文凱傾力推薦。

1.容易入門：本書會討論線性代數、微積分、概率論、信息論等內容，盡力隻提及後面內容需要的數學知識，並從原理角度去講解這塊內容，為後面篇幅做好鋪墊。
2.內容更深：介紹GAN 的各種變體時，除了介紹架構以外，還會講解目標函數為何要這樣設計，並從數學層面去推導證實，可以說本書比較重視不同類別GAN 架構的底層思想，並從數學上表示它。
3.涉及面廣：囊括了GAN 的各個應用領域，包括傳統GAN、DCGAN、CGAN、ColorGAN、CycleGAN、StarGAN、DTN、XGAN、WGAN、WGAN-GP、SN-GAN、StackGAN、StackGAN-v2、PGGGAN 等10 多個方向。
4.實戰性強：提供了很多代碼，並給出運行結果。考慮到篇幅原因，並沒有將每個類別的所有代碼都放上去，而是主要講解生成器、判別器、損失定義、具體訓練邏輯等主要內容。

本書首先從Python 基本語法開始討論，逐步介紹必備的數學知識與神經網絡的基本知識，並利用討論的內容編寫一個深度學習框架TensorPy，有了這些知識作為鋪墊後，就開始討論生成對抗網絡（GAN）相關的內容。然後，本書使用比較簡單的語言來描述GAN 涉及的思想、模型與數學原理，接著便通過TensorFlow實現傳統的GAN，並討論為何一定需要生成器或判別器。接下來，重點介紹GAN 各種常見的變體，包括卷積生成對抗網絡、條件對抗生成網絡、循環一致性、改進生成對抗網絡、漸近增強式生成對抗網絡等內容。
本書從模型與數學的角度來理解GAN 變體，希望通過數學符號表達出不同GAN 變體的核心思想，適合人工智能、機器學習、計算機視覺相關專業的人員學習使用。

廖茂文：遊戲AI研究員、高級工程師、中國人工智能學會高級會員。研究興趣為自然語言處理、生成對抗網絡、遊戲AI，曾參與多項機器學習項目。

潘志宏：高級工程師，中山大學新華學院“百名骨干教師”，中國人工智能學會高級會員、中國計算機學會會員。研究興趣為機器學習、深度學習、物聯網。主持和參與省市級、校級項目10餘項，其中主持廣東省普通高校青年創新人纔項目、教育部產學合作協同育人項目各一項。發表論文18篇，其中SCI、EI、北大核心期刊12篇，第一作者論文獲得北大核心期刊優秀論文、東莞市計算機學會優秀論文。申請發明專利、實用新型專利共8項，其中已授權3項，獲得軟件著作權3項，已出版教材3部。指導學生獲得***和省級競賽獎項50餘項，多次獲得***和省級優秀指導教師獎。

第 1 章 優雅Python 1
1．1Anaconda1
1．2Python 基礎4
1．2．1常用數據類型5
1．2．2流程控制7
1．2．3函數定義8
1．3Python 進階8
1．3．1生成式9
1．3．2可迭代對像與迭代器9
1．3．3生成器11
1．3．4裝飾器11
1．4小結13
第2 章 優雅的數學14
2．1向量與矩陣14
2．1．1向量的概念14
2．1．2向量的基本運算15
2．1．3矩陣的概念17
2．1．4矩陣的運算19
2．2微積分24
2．2．1圓的面積24
2．2．2古典微積分25
2．2．3重建微積分28
2．2．4常用的公式29
2．2．5偏導數31
2．2．6方向導數31
2．2．7鏈式法則33
2．3概率論34
2．3．1隨機變量34
2．3．2條件概率36
2．3．3貝葉斯定理38
2．3．4常見的概率分布39
2．4信息論41
2．4．1信息熵41
2．4．2條件熵43
2．4．3互信息43
2．4．4相對熵（KL 散度）44
2．4．5交叉熵45
2．5小結46
第3章 初識神經網絡47
3．1什麼是神經網絡47
3．1．1神經網絡的歷史47
3．1．2神經網絡的優勢54
3．2神經網絡中常見的概念55
3．2．1前向傳播算法55
3．2．2損失函數57
3．2．3梯度下降算法58
3．2．4各種梯度下降算法63
3．2．5反向傳播算法67
3．2．6過擬合與欠擬合70
3．3動手實現深度學習框架TensorPy71
3．3．1實現計算圖71
3．3．2實現Session 對像74
3．3．3實現感知器前向傳播算法76
3．3．4實現對數損失79
3．3．5實現梯度下降算法與反向傳播算法81
3．3．6實現多層感知器86
3．4TensorFlow 簡介89
3．4．1TensorFlow 安裝與介紹89
3．4．2TensorFlow 基本概念90
3．4．3TensorFlow 實現多層感知器91
3．4．4TensorBoard 可視化93
3．4．5TensorFlow 模型保存方法98
3．5小結99
第4章 初識生成對抗網絡101
4．1什麼是生成對抗網絡101
4．1．1什麼是GAN101
4．1．2GAN 使用範圍103
4．2GAN 基本原理104
4．2．1GAN 模型詳情104
4．2．2對抗的本質106
4．3TensorFlow 實現樸素GAN108
4．3．1樸素GAN 生成MNIST
數據集108
4．3．2訓練與效果展示114
4．4關於GAN 的幾個問題117
4．4．1為什麼生成器G 生成數據需要判別器D 介入117
4．4．2為什麼判別器D 不自己
生成數據120
4．4．3為什麼選擇GAN121
4．5小結122
第5章 生成對抗網絡的數學原理123
5．1擬合真實分布123
5．1．1最大似然估計123
5．1．2最大似然估計擬合分布125
5．1．3最大似然估計與KL散度的關繫126
5．2生成對抗網絡127
5．2．1生成器擬合分布127
5．2．2判別器計算分布的差異128
5．2．3GAN 的數學推導129
5．2．4GAN 的本質131
5．3統一框架F-GAN134
5．3．1f 散度134
5．3．2凸共軛137
5．3．3f 散度與GAN 之間的關繫138
5．4GAN 訓練過程可視化139
5．5小結144
第6章 卷積生成對抗網絡145
6．1初識卷積神經網絡145
6．1．1什麼是卷積神經網絡145
6．1．2CNN 識別圖像過程147
6．1．3CNN 核心概念151
6．2TensorFlow 實現卷積網絡154
6．2．1構建CNN 計算圖154
6．2．2訓練CNN 網絡160
6．2．3Dropout 操作161
6．2．4DCGAN：CNN 與GAN
有機結合162
6．2．5Batch Normalization164
6．3TensorFlow 實現DCGAN 網絡166
6．3．1TensorFlow 實現DCGAN 的生成器 ．167
6．3．2TensorFlow 實現DCGAN 的
判別器170
6．3．3獲得測試樣例171
6．3．4構建DCGAN 整體172
6．3．5訓練DCGAN173
6．3．6RussellCould 使用179
6．3．7結果展示185
6．4小結189
第7章 條件對抗生成網絡190
7．1如何實現圖像間風格轉換190
7．1．1傳統神經網絡的缺陷190
7．1．2普通GAN 的缺陷191
7．2條件對抗生成網絡192
7．2．1GAN 詳解192
7．2．2CGAN 訓練流程193
7．3ColorGAN 的實現194
7．3．1生成器與判別器的構建194
7．3．2圖像數據預處理197
7．3．3ColorGAN 訓練學習200
7．3．4ColorGAN 訓練結果203
7．3．5圖像轉圖像的討論208
7．4實現文字轉圖像209
7．4．1獨熱向量209
7．4．2fashion-mnist 數據集210
7．4．3FashionCGAN 判別器和生成器211
7．4．4訓練FashionCGAN213
7．5實現句子轉圖像215
7．5．1word2vec 技術215
7．5．2RNN、LSTM 與GRU218
7．5．3Skip-Thought Vector223
7．5．4實現Skip-Thought226
7．5．5實現句子轉圖像234
7．6小結237
第8章 循環一致性238
8．1以無監督的方式實現風格轉換238
8．2CycleGAN240
8．2．1CycleGAN 的架構與目標函數241
8．2．2CycleGAN 做的改變243
8．2．3TensorFlow 實現CycleGAN生成器與判別器251
8．2．4TensorFlow 搭建與訓練CycleGAN254
8．2．5效果展示258
8．3StarGAN262
8．3．1StarGAN 的結構與目標函數262
8．3．2TensorFlow 構建StarGAN模型265
8．3．3構建StarGAN 的損失268
8．3．4效果展示272
8．4語義樣式不變的圖像跨域轉換275
8．4．1Domain Transfer Network介紹276
8．4．2DTN 代碼結構278
8．4．3XGAN 介紹283
8．5小結287
第9章 改進生成對抗網絡289
9．1傳統GAN 存在的問題289
9．1．1梯度消失289
9．1．2模式崩潰293
9．2Wasserstein GAN295
9．2．1EM 距離295
9．2．2EM 距離使用在GAN 上298
9．2．3EM 距離與判別器的關繫299
9．2．4TensorFlow 實現WGAN302
9．3Improved WGAN（WGAN-GP）306
9．3．1WGAN 存在的問題306
9．3．2gradient penalty308
9．3．3TensorFlow 實現WGAN-GP310
9．4SN-GAN314
9．4．1SN-GAN 介紹314
9．4．2Spectral Normalization方法與SN-GAN315
9．4．3TensorFlow 實現SNGAN321
9．5小結326
第10 章 漸近增強式生成對抗網絡327
10．1堆疊式生成對抗網絡StackGAN327
10．1．1StackGAN-v1327
10．1．2棋盤效應330
10．1．3StackGAN-v2333
10．1．4TensorFlow 實現StackGAN-v2335
10．2TensorFlow 數據處理348
10．2．1placeholder 讀取數據348
10．2．2Queue 方式讀取數據348
10．2．3tf．data 讀取數據353
10．3漸近增長生成對抗網絡PGGAN ．
10．3．1PGGAN 介紹355
10．3．2PGGAN 的改進點356
10．3．3TensorFlow 實現PGGAN361
10．4小結369
第11 章 GAN 進行特征學習370
11．1近似推斷370
11．1．1變分推斷思想371
11．1．2平均場372
11．2InfoGAN375
11．2．1數據特征與互信息376
11．2．2InfoGAN 數學原理與模型結構377
11．2．3TensorFlow 實現InfoGAN381
11．2．4使用InfoGAN 生成圖像385
11．3VAE-GAN390
11．3．1AutoEncoder 自編碼器390
11．3．2變分自編碼器392
11．3．3數學角度看VAE394
11．3．4TensorFlow 實現VAE400
11．3．5VAE 與GAN 的結合體VAE-GAN405
11．3．6TensorFlow 實現VAE-GAN407
11．4小結414
第12 章 GAN 在NLP 中的運用415
12．1GAN 在文本生成中遇到的境415
12．2GAN 生成離散數據的方法418
12．2．1判別器直接獲取生成器的輸出418
12．2．2Gumbel-softmax420
12．3強化學習簡述422
12．3．1強化學習算法423
12．3．2Policy Gradient424
12．3．3GAN+RL 作用於文本生成428
12．3SeqGAN429
12．3．1SeqGAN 結構與算法429
12．3．2Highway Network432
12．3．3SeqGAM 生成器與rollout結構的實現434
12．3．4SeqGAN 中目標LSTM 與判別器的實現445
12．3．5SeqGAN 中生成器與判別器預訓練453
12．3．6SeqGAN 對抗訓練459
12．4MaskGAN461
12．4．1MaskGAN 結構與算法461
12．4．2TensorFlow 實現MaskGAN 的生成器與判別器465
12．4．3TensorFlow 實現MaskGAN 的Actor-Critic 與目標函數472
12．4．4TensorFlow 實現MaskGAN 的結構與訓練邏輯476
12．5小結480