Recensioni dei lettori
Riepilogo:Il libro è ben accolto per i suoi chiari esempi in PyTorch e per la forte copertura degli argomenti chiave relativi alle GAN, anche se alcuni utenti ritengono che le spiegazioni potrebbero essere migliorate.
Vantaggi:⬤ Esempi chiari in PyTorch
⬤ eccellente copertura dei temi chiave relativi alle GAN
⬤ spiegazioni del codice molto didattiche.
Le spiegazioni potrebbero essere migliorate; alcuni utenti suggeriscono di utilizzarlo insieme ad altri libri per una migliore comprensione.
(basato su 4 recensioni dei lettori)
Titolo originale:
Hands-On Generative Adversarial Networks with PyTorch 1.x
Contenuto del libro:
Applicare le tecniche di deep learning e le metodologie delle reti neurali per costruire, addestrare e ottimizzare i modelli di reti generative Caratteristiche principali Implementare le architetture GAN per generare immagini, testi, audio, modelli 3D e altro ancora Capire come funzionano le GAN e diventare un contributore attivo nella comunità open source Imparare a generare immagini foto-realistiche sulla base di descrizioni testuali Descrizione del libro
Con una ricerca e uno sviluppo in continua evoluzione, le reti avversarie generative (GAN) sono la nuova grande novità nel campo dell'apprendimento profondo. Questo libro evidenzia i principali miglioramenti delle GAN rispetto ai modelli generativi e guida all'utilizzo ottimale delle GAN con l'aiuto di esempi pratici.
Questo libro inizia con i concetti fondamentali necessari per capire come funziona ogni componente di un modello GAN. Costruirete il vostro primo modello GAN per capire come funzionano le reti generatore e discriminatore. Man mano che si procede, ci si addentra in una serie di esempi e set di dati per costruire una varietà di reti GAN utilizzando le funzionalità e i servizi di PyTorch, e si impara a conoscere le architetture, le strategie di addestramento e i metodi di valutazione per la generazione, la traduzione e il restauro delle immagini. Imparerete anche ad applicare i modelli GAN per risolvere problemi in aree quali la computer vision, il multimedia, i modelli 3D e l'elaborazione del linguaggio naturale (NLP). Il libro spiega come superare le sfide che si presentano quando si costruiscono modelli generativi da zero. Infine, scoprirete anche come addestrare i vostri modelli GAN a generare esempi avversari per attaccare altri modelli CNN e GAN.
Alla fine di questo libro, avrete imparato a costruire, addestrare e ottimizzare i modelli GAN di nuova generazione e a utilizzarli per risolvere una serie di problemi del mondo reale. Cosa imparerete Implementate le ultime funzionalità di PyTorch per garantire una progettazione efficiente dei modelli Imparate a conoscere i meccanismi di funzionamento dei modelli GAN Eseguite il trasferimento di stile tra collezioni di immagini non accoppiate con CycleGAN Costruite e addestrate 3D-GAN per generare una nuvola di punti di oggetti 3D Create una serie di modelli GAN per eseguire varie operazioni di sintesi di immagini Usate SEGAN per sopprimere il rumore e migliorare la qualità dell'audio del parlato A chi è rivolto questo libro
Questo libro su GAN è rivolto ai professionisti dell'apprendimento automatico e ai ricercatori di deep learning che desiderano ottenere una guida pratica all'implementazione di modelli GAN utilizzando PyTorch. Con l'aiuto di esempi reali, si acquisirà familiarità con le architetture GAN più avanzate. La conoscenza del linguaggio di programmazione Python è necessaria per comprendere i concetti trattati in questo libro. Sommario Reti avversarie generative Fondamenti per iniziare con PyTorch 1. 3 Migliori pratiche per la progettazione e l'addestramento dei modelli Creare la prima GAN con PyTorch Generazione di immagini basate su informazioni di etichetta Traduzione da immagine a immagine e sue applicazioni Restauro di immagini con le GAN Addestramento delle GAN a rompere modelli diversi Generazione di immagini da testi descrittivi Sintesi di sequenze con le GAN Ricostruzione di modelli 3D con le GAN
