Ricettario sulle reti avversarie generative

Recensioni dei lettori

Il libro ha ricevuto recensioni contrastanti da parte degli utenti: alcuni ne hanno lodato l'approccio pratico all'apprendimento delle GAN, mentre altri ne hanno criticato la qualità della scrittura e la presentazione visiva.

Offre un approccio pratico per l'apprendimento delle GAN, un'utile scomposizione del codice, riferimenti a documenti originali e funge da buon punto di partenza per l'apprendimento automatico.

La qualità della scrittura è scarsa, le figure e le immagini sono inadeguate, spesso i lettori perdono tempo con commenti inutili e le parti chiave del codice sono spesso omesse. Alcuni lettori hanno trovato il libro difficile da leggere e si sono pentiti di averlo acquistato.

(basato su 4 recensioni dei lettori)

Titolo originale:

Generative Adversarial Networks Cookbook

Contenuto del libro:

Semplificare il deep learning di nuova generazione implementando potenti modelli generativi utilizzando Python, TensorFlow e Keras Caratteristiche principali Comprendere l'architettura comune di diversi tipi di GAN Formare, ottimizzare e distribuire applicazioni GAN utilizzando TensorFlow e Keras Costruire modelli generativi con set di dati del mondo reale, compresi dati 2D e 3D Descrizione del libro

Lo sviluppo di reti generative avversarie (GAN) è un compito complesso e spesso è difficile trovare codice di facile comprensione.

Questo libro vi guida attraverso otto diversi esempi di moderne implementazioni GAN, tra cui CycleGAN, simGAN, DCGAN e la generazione di immagini da 2D a modelli 3D. Ogni capitolo contiene ricette utili per costruire un'architettura comune in Python, TensorFlow e Keras per esplorare architetture GAN sempre più difficili in un formato di facile lettura. Il libro inizia trattando i diversi tipi di architettura GAN per aiutare a comprendere il funzionamento del modello. Il libro contiene anche ricette intuitive per aiutarvi a lavorare con casi d'uso che coinvolgono DCGAN, Pix2Pix e così via. Per comprendere queste applicazioni complesse, si prenderanno in considerazione diversi set di dati del mondo reale e li si metterà in pratica.

Alla fine di questo libro, sarete in grado di affrontare le sfide e i problemi che potreste incontrare lavorando con i modelli GAN, grazie a soluzioni di codice facili da seguire che potrete implementare immediatamente. Cosa imparerete Strutturare un'architettura GAN in pseudocodice Comprendere l'architettura comune per ciascuno dei modelli GAN che costruirete Implementare diverse architetture GAN in TensorFlow e Keras Utilizzare diversi set di dati per abilitare le funzionalità di rete neurale nei modelli GAN Combinare diversi modelli GAN e imparare a metterli a punto Produrre un modello in grado di prendere immagini 2D e produrre modelli 3D Sviluppare una GAN per effettuare il trasferimento di stile con Pix2Pix A chi è rivolto questo libro

Questo libro si rivolge agli scienziati dei dati, agli sviluppatori di apprendimento automatico e ai professionisti dell'apprendimento profondo che cercano un riferimento rapido per affrontare le sfide e i compiti nel dominio GAN. La familiarità con i concetti di apprendimento automatico e la conoscenza del linguaggio di programmazione Python vi aiuteranno a trarre il massimo beneficio dal libro. Indice Cos'è una rete avversaria generativa? Prima i dati - Come preparare il set di dati La mia prima GAN in meno di 100 righe Sognare nuove cucine usando DCGAN Pix2Pix Stile di traduzione da immagine a immagine Trasferimento dell'immagine usando CycleGAN Usare immagini simulate per creare bulbi oculari fotorealistici usando simGAN Da immagini a modelli 3D usando le GAN