 書單推薦 新書推薦 |
深度學習方法解析與實戰(zhàn)應用 
定 價：48 元
當前圖書已被 22 所學校薦購過！
查看明細
9 7 6 8 5 7 7 5 2 6 7 0 1 
本書以深入淺出的方式，講解何為“人工智能”，如何掌握以深度學習為代表的人工智能相關方法，以及如何進行落地應用。本書從理論、工具基礎講解開始，層層遞進，分別向讀者清晰地展現(xiàn)了卷積神經(jīng)網(wǎng)絡、生成式對抗網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度強化學習的知識脈絡與方法原理。同時，按照具體應用場景，結(jié)合主流深度學習框架，給出所講述理論的落地應用案例和編程開發(fā)指導，旨在結(jié)合理論與實踐，平衡知識的深度與廣度，明確入門與進階路徑，使讀者更加深入全面地理解深度學習的原理及實踐方法。
本書主要面向人工智能技術初學者、程序開發(fā)者、前沿科技愛好者，尤其是在校大學生和相關領域研究人員。
近年來，由于智能芯片等硬件技術的不斷發(fā)展，以神經(jīng)網(wǎng)絡為核心的人工智能技術成為學界、產(chǎn)業(yè)界甚至商界的關注焦點，人工智能中的深度學習技術在諸如計算機視覺、自然語言處理、語音識別、深度強化學習等多個基礎領域全面突破，在機器翻譯、智能游戲、醫(yī)療輔助診斷、無人駕駛、智慧安防等多個應用領域大量落地實踐。同時，面對國家重大戰(zhàn)略發(fā)展和國際前沿發(fā)展需求，一些高校成立了人工智能學院及人工智能專業(yè)。因此，以人工智能為代表的新一代信息技術（可以概括為“ABCDEFG”，即人工智能AI（Artificial Intelligence）、區(qū)塊鏈BC（Block Chain）、云計算CC（Cloud Computing）、大數(shù)據(jù)BD（Big Data）、邊緣計算EC（Edge Computing）、聯(lián)邦學習FL（Federated Learning）、5G通信等）已成為理論研究的焦點、應用實踐的重點、社會發(fā)展的增長點。那么，面對“人工智能”這個既熟悉又陌生的詞匯，如何了解其理論、掌握其方法，并以“人工智能”方式為我們的工作生活進行“賦能”呢？本書的寫作目的是深入淺出地講解何為“人工智能”，如何掌握以深度學習為代表的人工智能方法，以及如何利用人工智能更好地服務人類。
本書特色
1. 廣度與深度的平衡
人工智能是涉及計算機科學、數(shù)學、信息論、控制論、系統(tǒng)工程、腦科學、神經(jīng)科學、心理學、語言學、邏輯學、認知學、行為學等多領域的綜合性交叉學科，在人類社會的方方面面具有廣泛應用。因此，本書在理論的廣度上，講解了人工智能的基本概念、基本理論、基礎工具；在實踐的廣度上，分析了人工智能在游戲、智慧社區(qū)、智慧安防、智慧醫(yī)療等領域的應用及設計構(gòu)想。同時，本書在理論的深度上，以深度神經(jīng)網(wǎng)絡為主線，講解了以卷積神經(jīng)網(wǎng)絡、生成式對抗網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度強化學習為代表的重要方法；在實踐的深度上，以人體姿態(tài)估計、經(jīng)典控制類游戲、邊緣智能、圖像翻譯等實踐案例為核心支撐�？梢哉f，本書實現(xiàn)了知識在廣度與深度上的平衡。
2. 理論與實踐的結(jié)合
人工智能是理論與實踐結(jié)合的產(chǎn)物。沒有早期神經(jīng)科學對大腦神經(jīng)認知原理的探索，神經(jīng)元模型、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等數(shù)學模型就是“無源之水，無本之木”。沒有早期以Hinton、LeCun、Bengio等人為代表的人工智能科學家對深度神經(jīng)網(wǎng)絡理論研究的堅守，就不會有2012年ImageNet大賽深度學習的巨大成功，更不會有AlphaGo的一騎絕塵！本書按照人工智能的發(fā)展脈絡，將深度學習的理論學習與實踐應用結(jié)合，并賦予相應的應用場景，尤其是將卷積神經(jīng)網(wǎng)絡與人體姿態(tài)估計、目標檢測、人臉檢測結(jié)合，循環(huán)神經(jīng)網(wǎng)絡與語音識別結(jié)合，生成式對抗網(wǎng)絡與圖像翻譯、圖像生成結(jié)合，強化學習與AI游戲結(jié)合，進而讓理論指導實踐，并讓實踐賦予理論更有溫度、更直接的“生命力”。
3. 入門與進階的梯次
理論講解“接地氣”、案例實踐“有溫度”是本書的重要特色，也是針對入門讀者重點考慮與設計的。在入門學習方面，本書從基礎理論梳理到基礎工具講解，以點帶面，盡量避免過多的公式推導、理論羅列，以幫助初學者完成知識體系的構(gòu)建，同時配合生活等常用場景的案例分析，以期降低讀者入門的門檻和心理上的“疏遠感”；在進階提高方面，本書以有研究基礎的讀者為主要對象，從相關理論的起源、發(fā)展脈絡、關鍵技術、改進優(yōu)化、發(fā)展前沿等角度，深入剖析技術的原理，為讀者的進階提高之路厘清思路。
4. 開源與創(chuàng)新的支撐
開源是人工智能領域“百花齊放”的真實寫照，也是人工智能生態(tài)發(fā)展的重要推動力。因此，本書所涉及的程序均已在Github上開源，以期為人工智能技術的開源與知識共享貢獻一份力量。此外，創(chuàng)新是科技進步的源泉，也是技術發(fā)展的不竭動力。本書的部分理論思考及實踐案例是團隊多年參加競賽、學術交流的創(chuàng)新成果和發(fā)明專利等的積累，也是本書在內(nèi)涵上的重要特色。
本書組織結(jié)構(gòu)
本書按照基礎入門、方法解析、實戰(zhàn)應用的結(jié)構(gòu)，共分三篇13章。
第一篇為基礎入門篇，包括第0~3章，以人工智能概述為總領，講解人工智能的理論基礎、工具基礎、神經(jīng)網(wǎng)絡基礎，以期夯實初學者的學習基礎，為其打開人工智能之門。其中，第0章主要講解人工智能的定義、歷史脈絡、適用領域、發(fā)展前景及存在的問題。第1章涉及深度學習的數(shù)學基礎、算法基礎、機器學習基礎、大數(shù)據(jù)基礎，提綱挈領地講解了線性代數(shù)與矩陣論、概率論與統(tǒng)計學、博弈論、最優(yōu)化理論等數(shù)學知識，梳理了數(shù)據(jù)結(jié)構(gòu)與算法的基本知識點，分析了機器學習中監(jiān)督學習、無監(jiān)督學習、強化學習、聯(lián)邦學習等關鍵研究領域，而后介紹了數(shù)據(jù)挖掘、Hadoop開源生態(tài)框架體系。第2章重在全面總結(jié)深度學習所需工具，包括編程理論、編程語言、開源框架、硬件及操作系統(tǒng)相關知識等。第3章按照神經(jīng)網(wǎng)絡技術演進路線，對神經(jīng)元模型、感知機模型、多隱層前饋神經(jīng)網(wǎng)絡、深度學習技術的發(fā)展脈絡進行講解，并著重對優(yōu)化方法、優(yōu)化策略進行分析。
總體來講，掌握基礎理論、基礎工具是入門深度神經(jīng)網(wǎng)絡的第一步，因此，第一篇的定位為既是基礎入門的“知識圖譜”，更是進階提升的“第一踏板”。有相關理論儲備和研究基礎的讀者可以跳過該部分內(nèi)容，直接進入后續(xù)章節(jié)學習。
第二篇為方法解析篇，包括第4~7章，主要對深度神經(jīng)網(wǎng)絡的關鍵方法進行講解，從卷積神經(jīng)網(wǎng)絡、生成式對抗網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、深度強化學習的起源、發(fā)展、關鍵原理、重要改進等角度對相關方法進行剖析，既是對基礎入門篇內(nèi)容的整合與升華，也是對深度學習核心精髓的解析，更是實戰(zhàn)應用的理論指導。其中，第4章以卷積神經(jīng)網(wǎng)絡的原理、方法、改進、應用為主線，解析卷積神經(jīng)網(wǎng)絡背后的方法論。第5章主要講解生成式對抗網(wǎng)絡的原理、方法、改進方向等內(nèi)容。第6章在講解循環(huán)神經(jīng)網(wǎng)絡的原理、方法、改進等重點知識的同時，對自然語言處理的相關技術也進行了討論。第7章主要講解深度強化學習所涉及的關鍵理論、重要方法模型，并著重對深度Q網(wǎng)絡進行分析。
本篇中，第4章、第6章分別從空間維度、時間維度對以卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡為代表的深度學習方法進行講解，第5章、第7章涉及博弈、決策的重要理論。因此，通過對深度學習關鍵方法的解析，讀者可以輕松構(gòu)建起深度學習知識體系的“四梁八柱”，對下銜接堅實的理論基礎，對上撐得起前沿應用。
第三篇為實戰(zhàn)應用篇，包括第8~12章，針對人體姿態(tài)估計、智能游戲、人群數(shù)量計算、垃圾分類、圖像翻譯等場景，將基于卷積神經(jīng)網(wǎng)絡的2D人體姿態(tài)估計、基于強化學習的游戲控制、面向邊緣智能的人群數(shù)量計算、邊緣計算場景下的垃圾識別分類、基于生成式對抗網(wǎng)絡的圖像生成與翻譯進行程序?qū)崿F(xiàn)，與基礎入門、方法解析相呼應，構(gòu)成符合學習規(guī)律的全周期閉合回路。其中，第8章以計算機視覺前沿應用中的2D人體姿態(tài)估計為例，講解姿態(tài)估計的研究現(xiàn)狀、基礎理論、應用場景、主要代表算法和具體實現(xiàn)過程。第9章以開源項目OpenAI Gym中的CartPolev0游戲為例，從強化學習在游戲領域的應用現(xiàn)狀出發(fā)，通過編程開發(fā)對深度Q網(wǎng)絡智能體、基于策略梯度的神經(jīng)網(wǎng)絡游戲應用進行實踐。第10章以邊緣智能場景下的城市安防為例，以人群數(shù)量計算為應用，對目標檢測模型YOLO V3算法、人臉識別CenterFace算法進行實現(xiàn)。第11章以智能垃圾分類為背景，對預訓練中文語音識別模型和圖像分類模型進行編程實現(xiàn)。第12章將兩種生成式對抗網(wǎng)絡應用于圖像翻譯和圖像生成，對圖像“魔術”進行編程實現(xiàn)。
本篇是從綜合案例實踐角度對全書知識點的總結(jié)與提升，以期讓人工智能技術不只是“上層建筑”，更是實實在在有溫度、接地氣的落地應用。
預期讀者
1. 人工智能技術初學者
人工智能技術體系龐大、知識點極多，可選資源又很豐富，所以，初學者經(jīng)常無從下手。希望通過學習本書，初學者可以厘清知識脈絡，找到適合自己的技術學習和發(fā)展路線。
2. 人工智能程序開發(fā)者
技術的生命在于應用轉(zhuǎn)化，尤其在計算機科學領域，沒有落地應用，技術很難有長遠持續(xù)的發(fā)展。因此，希望本書的實戰(zhàn)案例講解可以輔助具有一定開發(fā)基礎的程序員、工程師獲得思路上的啟發(fā)和實際應用場景的共鳴，為其所寫代碼賦予“有場景”的生命力，促進其對實際問題場景創(chuàng)造性地程序化描述，進而推動社會信息化、自動化、智能化的發(fā)展。
3. 人工智能愛好者
開源是人工智能發(fā)展的必經(jīng)之路，希望本書能為AI愛好者提供共享技術、共享理念的交流平臺，對開源社區(qū)建設、人工智能知識普及起到一定的推動作用。
學習建議
希望通過本書的學習，讀者可以從方法的角度對人工智能的本質(zhì)進行思考，尤其要重點理解兩句話：
(1) 人工智能的終極目標是讓機器可以像人一樣具有學習的本領，可以像人一樣思考，進而促進人類的發(fā)展。
(2) 人工智能的本質(zhì)是學習，而“學習”的關鍵是聯(lián)合，即“架構(gòu)聯(lián)合、數(shù)據(jù)聯(lián)合、模型聯(lián)合、資源聯(lián)合”。
第一句話易于理解，在此不做贅述。關于第二句話的理解，可以將這一觀點放在新一代信息技術發(fā)展的大背景下，從算法、算力、數(shù)據(jù)等對AI發(fā)展的推動作用角度去思考，即可獲得其中“真意”。具體講，架構(gòu)聯(lián)合是基于“云-邊-端”進行統(tǒng)一的架構(gòu)設計，即將云計算、邊緣計算、智能終端進行通盤考慮，進而為人工智能的發(fā)展提供架構(gòu)體系支撐；數(shù)據(jù)聯(lián)合是對多源跨域異構(gòu)數(shù)據(jù)進行深度安全融合，進而打破“數(shù)據(jù)孤島”，為人工智能發(fā)展提供充足的數(shù)據(jù)支撐；模型聯(lián)合是面向“云-邊-端”一體化架構(gòu)在分布式、集中式、混合式人工智能實現(xiàn)模式下的具體化呈現(xiàn)，是實現(xiàn)高性能人工智能推理、訓練的重要方式；資源聯(lián)合是整合“云-邊-端”所涉及的網(wǎng)絡通信、計算、存儲等資源的重要途徑，是促進人工智能落地應用的重要保障。
此外，本書各章節(jié)從知識前沿、領域關注、理論深度等角度分別設計了相應的習題，可以幫助讀者鞏固相關基礎知識、啟發(fā)研究思路。同時，在參考資源部分，整理了大量開源代碼、教學視頻等學習資料，以期幫助讀者提高動手實踐能力。
最后，“紙上得來終覺淺，絕知此事要躬行”，想要深入理解深度學習，還需讀者自己動手去嘗試一些實驗，真正形成學習的“閉合回路”。
綜上所述，本書內(nèi)容的組織結(jié)構(gòu)如下圖所示：
致謝
感謝本書的合作者，感謝團隊的成員們，感謝我們的家人，希望我們可以一起做更多有意義的事，并且做得更好。
感謝編輯的辛勞，感謝你們在選題、校對、排版等環(huán)節(jié)的付出與辛勤工作。
感謝為本書提出寶貴建議、促進本書質(zhì)量提高的所有朋友及同行。
感謝奮戰(zhàn)在抗擊新冠病毒一線的各類人員，以及為抗擊新冠病毒做出貢獻的所有人。希望人工智能技術可以推動社會發(fā)展，增加社會的“抵抗力”“免疫力”；同時，也希望社會為人工智能技術的發(fā)展提供更廣闊的舞臺，讓人工智能技術承擔更多的社會責任，并將有溫度、有場景的成果反饋于我們的生活。
勘誤與交流
由于作者水平有限，編著時間倉促，書中紕漏在所難免，懇請讀者多提寶貴意見，批評指正，以促提高。
相關問題可以發(fā)團隊郵箱：15891741749@139.com。本書代碼開源地址為：https: //github.com/book4aidl。
再次感謝您的反饋與交流。
第一篇 基礎入門篇
第0章 人工智能概述 3
0.1 人工智能的定義與學派 3
0.1.1 人工智能定義 3
0.1.2 人工智能學派 5
0.2 人工智能簡史 6
0.2.1 早期的人工智能 7
0.2.2 人工智能的波浪式前進 8
0.3 人工智能的關鍵支撐技術 10
0.3.1 算法——深度神經(jīng)網(wǎng)絡 11
0.3.2 數(shù)據(jù)——多源異構(gòu)大數(shù)據(jù) 11
0.3.3 算力——高性能計算芯片 12
0.4 人工智能的應用與面臨的挑戰(zhàn) 13
0.4.1 人工智能應用領域 13
0.4.2 人工智能前沿 16
0.4.3 發(fā)展趨勢與面臨的挑戰(zhàn) 19
0.5 國家戰(zhàn)略與政策下的人工智能 21
0.5.1 國內(nèi)政策及戰(zhàn)略規(guī)劃 21
0.5.2 國外戰(zhàn)略與政策 23
0.6 習題 23
參考資源 24
第1章 理論基礎 25
1.1 數(shù)學基礎 25
1.1.1 線性代數(shù)與矩陣論 25
1.1.2 概率論與統(tǒng)計學 27
1.1.3 博弈論 28
1.1.4 最優(yōu)化理論 28
1.2 算法基礎 29
1.2.1 算法概論 30
1.2.2 數(shù)據(jù)結(jié)構(gòu) 30
1.3 機器學習基礎 31
1.3.1 機器學習概述 31
1.3.2 監(jiān)督學習 35
1.3.3 無監(jiān)督學習 35
1.3.4 強化學習 36
1.3.5 聯(lián)邦學習 37
1.4 大數(shù)據(jù)基礎 38
1.4.1 數(shù)據(jù)挖掘 38
1.4.2 Hadoop開源生態(tài)框架體系 39
1.5 溫故知新 40
1.6 習題 41
參考資源 43
第2章 工具基礎 44
2.1 編程基礎 44
2.1.1 編程理論 44
2.1.2 Python基礎 46
2.2 開源框架基礎 53
2.2.1 Pytorch 54
2.2.2 TensorFlow框架 55
2.2.3 PaddlePaddle框架 56
2.2.4 其他框架 57
2.3 硬件基礎 59
2.3.1 CPU基礎 60
2.3.2 GPU基礎 62
2.3.3 樹莓派 62
2.4 操作系統(tǒng)基礎 63
2.4.1 Linux簡介 63
2.4.2 國產(chǎn)Linux操作系統(tǒng) 65
2.5 溫故知新 66
2.6 習題 67
參考資源 68
第3章 神經(jīng)網(wǎng)絡基礎 69
3.1 神經(jīng)網(wǎng)絡概述 69
3.2 神經(jīng)元模型與感知機模型 70
3.2.1 MP神經(jīng)元 70
3.2.2 感知機 72
3.3 多隱層前饋神經(jīng)網(wǎng)絡 73
3.3.1 網(wǎng)絡結(jié)構(gòu) 73
3.3.2 激活函數(shù) 75
3.3.3 網(wǎng)絡訓練 77
3.4 神經(jīng)網(wǎng)絡的優(yōu)化方法 80
3.4.1 梯度下降法 80
3.4.2 隨機梯度下降 81
3.4.3 小批量梯度下降 81
3.4.4 動量梯度下降 82
3.4.5 RMSProp 82
3.4.6 ADAM 83
3.5 神經(jīng)網(wǎng)絡的優(yōu)化策略 83
3.5.1 參數(shù)初始化 83
3.5.2 正則化 85
3.5.3 Dropout 86
3.5.4 數(shù)據(jù)增強 87
3.5.5 預訓練 87
3.6 深度神經(jīng)網(wǎng)絡概述 87
3.6.1 深度學習的優(yōu)勢 89
3.6.2 適用領域 90
3.7 溫故知新 92
3.8 習題 92
參考資源 94
第二篇 方法解析篇
第4章 卷積神經(jīng)網(wǎng)絡方法解析 97
4.1 卷積神經(jīng)網(wǎng)絡概述 97
4.1.1 生物機理 98
4.1.2 拓撲結(jié)構(gòu) 99
4.1.3 網(wǎng)絡特點 100
4.2 關鍵方法 102
4.2.1 卷積 103
4.2.2 池化 111
4.2.3 全連接 111
4.3 常見的卷積神經(jīng)網(wǎng)絡 112
4.3.1 LeNet 112
4.3.2 AlexNet 112
4.3.3 VGGNet 114
4.3.4 GoogLeNet 114
4.3.5 ResNet 115
4.3.6 DenseNet 116
4.4 改進方向與應用領域 116
4.4.1 改進方向 116
4.4.2 應用領域 117
4.5 溫故知新 118
4.6 習題 118
參考資源 119
第5章 生成式對抗網(wǎng)絡方法解析 120
5.1 生成模型概述 120
5.2 網(wǎng)絡模型 121
5.3 重要方法 122
5.3.1 數(shù)學原理 122
5.3.2 訓練機制 125
5.3.3 訓練技巧 125
5.3.4 評價指標 127
5.4 GAN的改進模型 129
5.4.1 CGAN 130
5.4.2 DCGAN 131
5.4.3 WGAN 132
5.4.4 LSGAN 133
5.4.5 PGGAN 134
5.4.6 ACGAN 136
5.4.7 BigGAN 137
5.5 改進方向與應用領域 139
5.5.1 改進方向 139
5.5.2 應用領域 140
5.5.3 研究進展 143
5.6 溫故知新 144
5.7 習題 144
參考資源 145
第6章 循環(huán)神經(jīng)網(wǎng)絡方法解析 146
6.1 循環(huán)神經(jīng)網(wǎng)絡概述 146
6.2 自然語言處理 148
6.2.1 語言模型 148
6.2.2 詞向量 149
6.3 循環(huán)神經(jīng)網(wǎng)絡 151
6.3.1 生物機理 151
6.3.2 網(wǎng)絡結(jié)構(gòu) 151
6.3.3 網(wǎng)絡訓練 153
6.4 循環(huán)神經(jīng)網(wǎng)絡改進 154
6.4.1 LSTM 154
6.4.2 其他改進模型 156
6.5 研究進展與應用領域 158
6.5.1 研究進展 158
6.5.2 應用領域 159
6.6 溫故知新 161
6.7 習題 162
參考資源 163
第7章 深度強化學習方法解析 165
7.1 強化學習概述 165
7.2 強化學習基礎 166
7.2.1 定義及相關概念 166
7.2.2 馬爾可夫決策過程 169
7.3 經(jīng)典強化學習 170
7.3.1 強化學習分類 170
7.3.2 Qlearning算法 172
7.3.3 存在挑戰(zhàn) 173
7.4 深度強化學習 174
7.4.1 DQN算法 174
7.4.2 深度強化學習的改進算法 177
7.4.3 小結(jié) 179
7.5 重要應用 180
7.6 研究進展 181
7.7 溫故知新 182
7.8 習題 183
參考資源 184
第三篇 實戰(zhàn)應用篇
第8章 基于卷積神經(jīng)網(wǎng)絡的2D人體姿態(tài)估計實戰(zhàn) 187
8.1 人體姿態(tài)估計概述 187
8.2 人體姿態(tài)估計技術回顧 188
8.2.1 單人姿態(tài)估計 189
8.2.2 多人姿態(tài)估計 191
8.3 編程實戰(zhàn) 192
8.3.1 實驗環(huán)境 192
8.3.2 數(shù)據(jù)準備 194
8.3.3 模型構(gòu)建 194
8.3.4 運行測試 200
8.4 溫故知新 200
參考資源 201
第9章 利用深度強化學習玩游戲?qū)崙?zhàn) 202
9.1 實戰(zhàn)背景 202
9.1.1 深度強化學習在游戲領域的應用 202
9.1.2 Gym介紹 203
9.2 深度強化學習技術回顧 204
9.3 編程實戰(zhàn) 206
9.3.1 基于Pytorch的游戲?qū)崙?zhàn) 207
9.3.2 基于策略梯度進行TensorFlow實戰(zhàn) 211
9.4 溫故知新 215
參考資源 216
第10章 面向邊緣智能的人群數(shù)量計算實戰(zhàn) 217
10.1 實戰(zhàn)背景 217
10.1.1 人群數(shù)量計算 217
10.1.2 邊緣智能 219
10.2 目標檢測技術回顧 220
10.2.1 目標檢測 220
10.2.2 人臉檢測 222
10.2.3 面向邊緣智能的人群數(shù)量計算系統(tǒng)整體流程設計 223
10.3 編程實戰(zhàn) 225
10.3.1 基于YOLO V3的目標檢測 225
10.3.2 基于CenterFace的人臉檢測 229
10.4 溫故知新 232
參考資源 233
第11章 邊緣計算場景下智能垃圾分類實戰(zhàn) 234
11.1 實戰(zhàn)背景 234
11.1.1 垃圾分類 234
11.1.2 邊緣計算發(fā)展 235
11.2 相關技術梳理 237
11.2.1 智能語音識別 237
11.2.2 垃圾圖像分類 238
11.2.3 基于邊緣計算的智能垃圾分類系統(tǒng)整體流程 240
11.3 編程實戰(zhàn) 242
11.3.1 智能語音識別 242
11.3.2 垃圾圖像分類 245
11.4 溫故知新 247
參考資源 249
第12章 基于生成式對抗網(wǎng)絡的圖像“魔術” 250
12.1 實戰(zhàn)背景 250
12.1.1 GAN在圖像翻譯中的應用 250
12.1.2 GAN在圖像生成中的應用 251
12.2 生成式對抗網(wǎng)絡技術回顧 253
12.3 編程實戰(zhàn) 256
12.3.1 基于TensorFlow的CycleGAN 257
12.3.2 基于Pytorch的DCGAN 267
12.4 溫故知新 272
參考資源 273
附錄1 Linux指令 274
附錄2 BP算法推導 278
參考文獻 282
你還可能感興趣
我要評論
|
