送书 | 深入了解GAN生成对抗网络的奇妙之处

又到了每周三的送书时刻啦！

今天给大家带来的是《深入浅出GAN生成对抗网络 原理剖析与TensorFlow实践》

      （文末查看送书规则）

导读

GAN生成对抗网络，在2014年被提出，随后便引起了大量深度学习研究人员与从业者的关注，GAN以两个网络相互对抗的方式进行训练从而获得有价值的模型，相比与传统的无监督学习的思路，GAN更加清晰易懂以及避开了传统无监督学习中遇到的困难，是这几年论文发表数最多的一个领域，至今(2018年底)，据统计，每20分钟就会有一篇GAN的论文。

目前，GAN在图像和视觉领域运用是最广泛的，GAN已经可以生成超高清的逼真图像，人类已经难以分辨出这些图像是生成的图像还是真实的图像，通过这种方法可以实现图像的修复、模糊图像高清化、马赛克去除、视频生成、为其他模型提供训练数据等，除此之外，GAN还在自然语言处理、强化学习、音频视频以及安全领域大展手脚，可以看出GAN拥有巨大的研究与运用前景。

GAN可以实现传统程序难以实现的目标，如图片马赛克去除、图像修复、逼真图像生成等，在编写实现不同GAN变体的过程中，常常会惊叹于其中各种巧妙的解决方法，在感受GAN魅力的同时，也感受到了其模型底层对应的数学之美。

国内关于GAN的书很少，没有原创的书籍，笔者结合多年的开发经验，编写了本书，帮助读者快速学习生成对抗网络。

本书特色

1.容易入门：本书会讨论线性代数、微积分、概率论、信息论等内容，尽力只提及后面内容需要的数学知识，并从原理角度去讲解理解这块内容，为后面篇幅做好铺垫。

2.内容更深：介绍GAN的各种变体时，除了介绍架构外，还会讲解目标函数为何要这样设计，并从数学层面去推导证实，可以说本书比较重视不同类别GAN架构的底层思想，并从数学上是表示它。

3.涉及面广：囊括了GAN的各个应用领域，包括传统GAN、DCGAN、CGAN、ColorGAN、CycleGAN、StarGAN、DTN、XGAN、WGAN、WGAN-GP、SN-GAN、StackGAN、StackGAN-v2、PGGGAN等十多个方向。

4.实战性强：提供了很多代码，并给出的运行结果，因为考虑到篇幅原因，并没有将每个类别的GAN的所有代码都放上去，而是主要讲解生成器、判别器、损失定义、具体训练逻辑这几块内容。

本书内容及体系结构

本书分为三个部分。

第一部分（1、2章）主要是需要的背景知识，这里的内容就包括：Python的基础用法和一些进阶技巧、线性代数积分、概率率、信息率、神经网络以及优化算法、实现自己的深度学习框架TensorPy

第二部分（3、4、5章）主要是GAN的基础知识，其中的内容包括：传统GAN的模型结构、数学原理以及TensorFlow实现，同时还会探讨为何不可以单独使用生成器或单独使用判别器进行图像生成

第三部分（6~11章）主要就是介绍各种GAN变体，其实就包括：DCGAN、cGAN、ColorGAN、CycleGAN、StarGAN、DTN、XGAN、WGAN、WGAN-GP、SNGAN、StackGAN-v1、StackGAN-v2、PGGAN、InfoGAN、VAE-GAN。

目录详情

第 1 章 优雅Python 1

1.1　Anaconda　1

1.2　Python 基础　4

1.2.1　常用数据类型　5

1.2.2　流程控制　7

1.2.3　函数定义　8

1.3　Python 进阶　8

1.3.1　生成式　9

1.3.2　可迭代对象与迭代器　9

1.3.3　生成器　11

1.3.4　装饰器　11

1.4　小结　13

第　2 章 优雅的数学　14

2.1　向量与矩阵　14

2.1.1　向量的概念　14

2.1.2　向量的基本运算　15

2.1.3　矩阵的概念　17

2.1.4　矩阵的运算　19

2.2　微积分　24

2.2.1　圆的面积　24

2.2.2　古典微积分　25

........

有粉丝想更多了解此书，请点击下面：

▶ 送书规则 ◀

（参与活动的必须要加小编微信）

1、公众号回复:送书 ,参与抽奖（共3本）

2、转发此条到朋友圈，集60个赞（要点进来看一下哦～先到先得，共2本）

本次赠书一共5本哦～

【扫一扫】