生成對抗網絡入門指南（簡體書）

生成對抗網絡（GAN）是當下熱門的人工智能技術之一，被美國《麻省理工科技評論》評為2018年“全球十大突破性技術”。本書是一本結合基礎理論與工程實踐的入門書籍，深入淺出地講解了GAN的各類模型以及技術發展。全書共10章，前半部分介紹目前已經較為成熟的模型，如DCGAN、WGAN等，以及大量不同結構的GAN變種；後半部分介紹GAN在文本到圖像的生成、圖像到圖像的生成以及其他應用中的研究與發展。本書適合機器學習領域從業人員、高校相關專業學生以及具備一定基礎的人工智能愛好者閱讀。

史丹青，語憶科技聯合創始人兼技術負責人。

前言
第1章　人工智能入門 1
1.1　人工智能的歷史與發展 1
1.1.1　人工智能的誕生 3
1.1.2　人工智能的兩起兩落 6
1.1.3　新時代的人工智能 7
1.2　機器學習與深度學習 10
1.2.1　機器學習分類 11
1.2.2　神經網絡與深度學習 12
1.2.3　深度學習的應用 13
1.3　瞭解生成對抗網絡 15
1.3.1　從機器感知到機器創造 15
1.3.2　什麼是生成對抗網絡 19
1.4　本章小結 20
第2章　預備知識與開發工具 21
2.1　Python語言與開發框架 21
2.1.1　Python語言 21
2.1.2　常用工具簡介 23
2.1.3　第三方框架簡介 26
2.2　TensorFlow基礎入門 27
2.2.1　TensorFlow簡介與安裝 27
2.2.2　TensorFlow使用入門 30
2.2.3　Tensorflow實例：圖像分類 31
2.3　Keras基礎入門 33
2.3.1　Keras簡介與安裝 33
2.3.2　Keras使用入門 34
2.3.3　Keras實例：文本情感分析 36
2.4　Floyd：使用深度學習雲平臺運行程序 38
2.4.1　深度學習雲平臺簡介 38
2.4.2　Floyd使用入門 39
2.4.3　Floyd實例：神經網絡風格轉換 43
2.5　本章小結 45
第3章　理解生成對抗網絡 46
3.1　生成模型 46
3.1.1　生成模型簡介 46
3.1.2　自動編碼器 47
3.1.3　變分自動編碼器 50
3.2　GAN的數學原理 52
3.2.1　最大似然估計 52
3.2.2　生成對抗網絡的數學推導 55
3.3　GAN的可視化理解 58
3.4　GAN的工程實踐 59
3.5　本章小結 67
第4章　深度卷積生成對抗網絡 68
4.1　DCGAN的框架 68
4.1.1　DCGAN設計規則 68
4.1.2　DCGAN框架結構 72
4.2　DCGAN的工程實踐 73
4.3　DCGAN的實驗性應用 79
4.3.1　生成圖像的變換 79
4.3.2　生成圖像的算術運算 81
4.3.3　殘缺圖像的補全 83
4.4　本章小結 85
第5章　Wasserstein GAN 86
5.1　GAN的優化問題 86
5.2　WGAN的理論研究 89
5.3　WGAN的工程實踐 92
5.4　WGAN的實驗效果分析 96
5.4.1　代價函數與生成質量的相關性 96
5.4.2　生成網絡的穩定性 97
5.4.3　模式崩潰問題 99
5.5　WGAN的改進方案：WGAN-GP 100
5.6　本章小結 104
第6章　不同結構的GAN 105
6.1　GAN與監督式學習 105
6.1.1　條件式生成：cGAN 105
6.1.2　cGAN在圖像上的應用 106
6.2　GAN與半監督式學習 110
6.2.1　半監督式生成：SGAN 110
6.2.2　輔助分類生成：ACGAN 112
6.3　GAN與無監督式學習 113
6.3.1　無監督式學習與可解釋型特徵 113
6.3.2　理解InfoGAN 115
6.4　本章小結 119
第7章　文本到圖像的生成 120
7.1　文本條件式生成對抗網絡 120
7.2　文本生成圖像進階：GAWWN 123
7.3　文本到高質量圖像的生成 127
7.3.1　層級式圖像生成：StackGAN 128
7.3.2　層級式圖像生成的優化：StackGAN-v2 132
7.4　本章小結 135
第8章　圖像到圖像的生成 136
8.1　可交互圖像轉換：iGAN 136
8.1.1　可交互圖像轉換的用途 136
8.1.2　iGAN的實現方法 138
8.1.3　iGAN軟件簡介與使用方法 140
8.2　匹配數據圖像轉換：Pix2Pix 143
8.2.1　理解匹配數據的圖像轉換 143
8.2.2　Pix2Pix的理論基礎 145
8.2.3　Pix2Pix的應用實踐 150
8.3　非匹配數據圖像轉換：CycleGAN 157
8.3.1　理解非匹配數據的圖像轉換 157
8.3.2　CycleGAN的理論基礎 160
8.3.3　CycleGAN的應用實踐 162
8.4　多領域圖像轉換：StarGAN 166
8.4.1　多領域的圖像轉換問題 166
8.4.2　StarGAN的理論基礎 169
8.4.3　StarGAN的應用實踐 171
8.5　本章小結 177
第9章　GAN的應用：從多媒體到藝術設計 178
9.1　GAN在多媒體領域的應用 178
9.1.1　圖像去模糊 178
9.1.2　人臉生成 181
9.1.3　音頻合成 184
9.2　GAN與AI藝術 188
9.2.1　AI能否創造藝術 188
9.2.2　AI與計算機藝術的發展 190
9.2.3　藝術生成網絡：從藝術模仿到創意生成 196
9.3　GAN與AI設計 202
9.3.1　AI時代的設計 202
9.3.2　AI輔助式設計的研究 205
9.4　本章小結 212
第10章　GAN研究熱點 213
10.1　評估與優化 213
10.2　對抗攻擊 216
10.3　發展中的GAN 219
參考文獻 222