科技 类型
可以朗读 语音朗读
198千字 字数
2022-08-01 发行日期
展开全部

主编推荐语

本书深入浅出地介绍了、新型人工神经网络DD生成对抗网络（GAN）的基本原理、网络结构及其在图像处理领域中的应用。

内容简介

书中分析了近年来在GAN训练、GAN质量评估及多种改进型GAN方面取得的进展；在实践方面，给出了基于Python的基本GAN编程实例。

另外，本书还介绍了支撑GAN模型的基础理论和相关算法，以使读者更好地理解和掌握GAN技术。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 绪论
  • 1.1 从图像处理到数字视觉
  • 1.1.1 数字图像技术
  • 1.1.2 数字视觉技术
  • 1.1.3 数字视觉的应用
  • 1.2 神经网络由浅入深
  • 1.2.1 神经网络的发展
  • 1.2.2 深度神经网络
  • 1.2.3 深度学习的进展
  • 1.3 从概率生成到对抗生成
  • 1.3.1 概率生成模型
  • 1.3.2 概率分布比较
  • 1.3.3 对抗生成模型
  • 1.4 GAN的应用
  • 1.4.1 在图像领域中的应用
  • 1.4.2 在其他领域中的应用
  • 第2章 数字图像处理
  • 2.1 数字图像基础
  • 2.1.1 图像的数学表示
  • 2.1.2 图像的数字化
  • 2.1.3 数字图像的表示
  • 2.1.4 图像的分辨率
  • 2.2 传统数字图像处理
  • 2.2.1 图像采集和压缩
  • 2.2.2 图像去噪和滤波
  • 2.2.3 图像增强和复原
  • 2.2.4 图像分割
  • 2.2.5 图像特征提取和目标检测
  • 2.2.6 图像变换和超分辨率重建
  • 2.3 ANN图像处理
  • 2.3.1 图像分类
  • 2.3.2 目标检测与跟踪
  • 2.3.3 语义分割和实例分割
  • 2.3.4 图像生成
  • 2.4 常用的图像数据集
  • 第3章 人工神经网络
  • 3.1 ANN简介
  • 3.1.1 从生物到人工神经元
  • 3.1.2 从感知机到神经网络
  • 3.1.3 从浅层到深度
  • 3.1.4 ANN的特点和应用
  • 3.2 常见的ANN类型
  • 3.2.1 RBF网络
  • 3.2.2 ART网络
  • 3.2.3 SOM网络
  • 3.2.4 波尔兹曼机
  • 3.2.5 级联相关网络
  • 3.3 ANN的关键技术
  • 3.3.1 网络类型
  • 3.3.2 网络训练
  • 3.3.3 激活函数
  • 3.3.4 验证和泛化
  • 3.4 BP算法
  • 3.4.1 数据的正向传播
  • 3.4.2 误差的反向传播
  • 3.4.3 BP算法流程
  • 3.4.4 BP算法的几个问题
  • 3.5 ANN的学习方式
  • 3.5.1 有监督学习
  • 3.5.2 无监督学习
  • 3.5.3 半监督学习
  • 3.5.4 强化学习
  • 第4章 GAN中常用的ANN
  • 4.1 卷积神经网络
  • 4.1.1 CNN的结构
  • 4.1.2 CNN的核心技术
  • 4.1.3 CNN的训练和改进
  • 4.1.4 CNN一例
  • 4.1.5 图像卷积
  • 4.2 循环神经网络
  • 4.2.1 RNN的结构
  • 4.2.2 RNN与CNN的比较
  • 4.3 变分自编码器
  • 4.3.1 自编码器
  • 4.3.2 VAE概述
  • 4.4 深度残差网络
  • 4.4.1 深度网络的困境
  • 4.4.2 残差块结构
  • 4.4.3 残差块的作用
  • 4.4.4 ResNet的误差反传
  • 第5章 相关算法
  • 5.1 和图像处理有关的算法
  • 5.1.1 分类算法
  • 5.1.2 聚类算法
  • 5.1.3 降维算法
  • 5.1.4 迁移学习
  • 5.1.5 马尔可夫链和HMM
  • 5.2 和函数优化有关的算法
  • 5.2.1 最小二乘法
  • 5.2.2 梯度下降法
  • 5.2.3 EM算法
  • 第6章 GAN基础
  • 6.1 GAN概要
  • 6.1.1 GAN的数据生成
  • 6.1.2 GAN的网络结构
  • 6.1.3 GAN的优势和不足
  • 6.2 数据分布及其转换
  • 6.2.1 图像数据的高维分布
  • 6.2.2 隐变量和隐空间
  • 6.2.3 分布函数的转换
  • 6.3 生成模型与判别模型
  • 6.3.1 生成模型
  • 6.3.2 判别模型
  • 6.3.3 生成模型和判别模型的关系
  • 6.4 GAN的工作过程
  • 6.4.1 纳什均衡
  • 6.4.2 对抗训练
  • 6.4.3 训练流程
  • 第7章 GAN的目标函数
  • 7.1 数据的信息熵
  • 7.1.1 随机变量
  • 7.1.2 信息量和信息熵
  • 7.1.3 交叉熵
  • 7.2 数据分布的差异：散度
  • 7.2.1 KL散度
  • 7.2.2 JS散度
  • 7.2.3 f散度
  • 7.3 GAN目标函数及其优化
  • 7.3.1 目标函数
  • 7.3.2 判别器优化
  • 7.3.3 生成器优化
  • 第8章 GAN的训练
  • 8.1 GAN训练中常见的问题
  • 8.1.1 收敛不稳定问题
  • 8.1.2 梯度消失问题
  • 8.1.3 模式崩溃问题
  • 8.2 提升GAN训练的稳定性
  • 8.2.1 选择恰当的网络模型
  • 8.2.2 选择恰当的目标函数
  • 8.2.3 选择恰当的优化算法
  • 8.3 GAN训练中的常用技巧
  • 8.3.1 数据规范化
  • 8.3.2 学习率衰减
  • 8.3.3 丢弃技术
  • 8.3.4 批量规范化
  • 8.3.5 激活函数的选择
  • 第9章 GAN的改进
  • 9.1 GAN的改进之路
  • 9.2 C GAN和info GAN
  • 9.2.1 C GAN
  • 9.2.2 info GAN
  • 9.3 DC GAN
  • 9.4 W GAN
  • 9.5 Big GAN
  • 第10章 GAN的图像处理应用
  • 10.1 图像生成
  • 10.1.1 图像生成的三种方式
  • 10.1.2 几种特殊的图像生成
  • 10.2 图像超分辨率重建
  • 10.3 图像修复
  • 10.4 图像翻译
  • 10.4.1 图像至图像的翻译
  • 10.4.2 文本至图像的翻译
  • 10.5 图像风格迁移
  • 10.6 视频预测
  • 第11章 GAN的Python编程
  • 11.1 Python编程语言
  • 11.1.1 Python简介
  • 11.1.2 Python的特点
  • 11.1.3 Python的应用
  • 11.2 常见的Python集成开发环境
  • 11.3 深度学习框架
  • 11.3.1 主流的深度学习框架
  • 11.3.2 主流学习框架的比较
  • 11.4 TensorFlow中的GAN编程
  • 11.4.1 张量和张量流
  • 11.4.2 Python的TensorFlow库
  • 11.4.3 TensorFlow的常用模块
  • 第12章 GAN图像处理实例
  • 12.1 1维GAN编程
  • 12.1.1 1维GAN小程序
  • 12.1.2 数据对齐
  • 12.1.3 训练中的几个问题
  • 12.2 MNIST手写数字的生成
  • 12.2.1 GAN模型的训练程序
  • 12.2.2 GAN模型的生成程序
  • 12.2.3 训练程序的图解
  • 12.2.4 生成程序的图解
  • 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。