基本信息

作者简介：

Kuntal Ganguly是一位大数据分析工程师，其利用机器学习和大数据框架来搭建大规模数据驱动系统。Kuntal具有7年的大数据和机器学习应用构建经验。
    Kuntal为云上客户提供搭建实时分析系统的解决方案。这其中利用到了托管式的云服务和开源Hadoop生态系统工具，诸如Spark、Kafka、Storm、Solr以及机器学习和深度学习框架。
    Kuntal也喜欢亲自动手参与软件的开发过程，并且曾经独自一人完成了多个大规模分布式应用从构思、架构、开发一直到部署的整个过程。他也是一位机器学习和深度学习的从业者，十分热衷于构建智能应用。

内容提要：

本书介绍深度学习领域一个十分活跃的分支——生成对抗网络（GAN）。书中覆盖了深度学习的基础、对抗网络背后的原理以及构建方式等内容。同时本书还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法，旨在帮助读者在真正的生产环境中使用生成对抗网络。本书适合数据科学家、算法工程师、数据挖掘工程师以及其他机器学习领域相关的从业人员，以帮助他们在工作中应用生成对抗模型；也适合机器学习和深度学习的爱好者、初学者来了解深度学习领域的新魔力。

......

目录：

前言
1 深度学习概述
1.1 深度学习的演化
1.1.1 sigmoid激发
1.1.2 修正线性单元（ReLU）
1.1.3 指数线性单元（ELU）
1.1.4 随机梯度下降（SGD）
1.1.5 学习速率调优
1.1.6 正则化
1.1.7 权重分享以及池化
1.1.8 局部感受野
1.1.9 卷积网络（ConvNet）
1.2 逆卷积/转置卷积
1.2.1 递归神经网络和
1.2.2 深度神经网络
1.2.3 判别模型和生成模型的对比
1.3 总结
2 无监督学习
2.1 利用深度神经网络自动化人类任务
2.1.1 GAN的目的
2.1.2 现实世界的一个比喻
2.1.3 GAN的组成
2.2 GAN的实现
2.2.1 GAN的应用
2.2.2 在Keras上利用DCGAN实现图像生成
2.2.3 利用TensorFlow实现SSGAN
2.3 GAN模型的挑战
2.3.1 启动及初始化的问题
2.3.2 模型坍塌
2.3.3 计数方面的问题
2.3.4 角度方面的问题
2.3.5 全局结构方面的问题
2.4 提升GAN训练效果的方法
2.4.1 特征匹配
2.4.2 小批量
2.4.3 历史平均
2.4.4 单侧标签平滑
2.4.5 输入规范化
2.4.6 批规范化
2.4.7 利用ReLU和MaxPool避免稀疏梯度
2.4.8 优化器和噪声
2.4.9 不要仅根据统计信息平衡损失
2.5 总结
3 图像风格跨域转换
3.1 弥补监督学习和无监督学习之间的空隙
3.2 条件GAN介绍
3.2.1 利用CGAN生成时尚衣柜
3.2.2 利用边界均衡固化GAN训练
3.3 BEGAN的训练过程
3.3.1 BEGAN的架构

......

精 彩 页：