GAN新书《生成式深度学习》Generative Deep Learning,附379页全文PDF

2019 年 9 月 30 日 专知
导读
O' Reilly Media 2019年新出版的关于GAN的书Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play. 《生成式深度学习》是关于生成模型的最新指南——特别是如何构建最先进的深度学习模型,这样的模型可以绘画、写作、作曲和玩游戏。更重要的是,这本书能让读者深入了解生成式深度学习,并构建能够做出各种令人惊叹的事情的模型。


作者 | David Foster
编译 | Xiaowen

http://shop.oreilly.com/product/0636920189817.do


生成建模(Generative modeling)是人工智能研究的热点之一。现在可以教一台机器,使它在绘画、写作和作曲等人类活动中发挥出色的作用。有了这本实用的书,机器学习工程师和数据科学家将发现如何重新创造一些最令人印象深刻的生成深度学习模型的例子,如变分自编码器、生成对抗性网络(GANs)、编解码模型和世界模型。

作者David Foster演示了每一种技术的内部运作,从深度学习的基础开始,然后进入领域中一些最尖端的算法。通过技巧和tricks,你会明白如何让你的模型更有效率地学习,变得更有创意。 

  • 了解变分自编码器如何改变照片中的面部表情
  • 从零开始构建实际的GAN示例,包括用于风格转换的CycleGAN和用于音乐生成的MuseGAN
  • 创建用于文本生成的递归生成模型,并学习如何使用注意力attention改进模型
  • 了解生成模型如何帮助agents在强化学习环境中完成任务
  • 探索Transformer(Bert,GPT-2)的体系结构,以及ProGAN和StyleGAN等图像生成模型

完整PDF下载
请关注专知公众号(点击上方蓝色专知关注
  • 后台回复“GDL2019” 就可以获取完整版书籍Generative Deep Learning的PDF下载链接~ 

介绍每一章节:
本书的前四章旨在介绍开始构建生成式深度学习模型所需的核心技术。

在第一章中,我们将首先从概率论的角度对生成建模领域进行广泛的考察,并考虑我们试图解决的问题的类型。然后,我们将探讨我们的第一个基本概率生成模型的例子,并分析为什么在生成性任务的复杂性增加时,可能需要部署深度学习技术。 

第二章提供了深度学习工具和技术的指南,你将需要开始构建更复杂的生成模型。这旨在成为深度学习的实用指南,而不是对该领域的理论分析。特别是,我将介绍Keras,一个构建神经网络的框架,它可以用来构建和训练文献中发表的一些最前沿的深度神经网络体系结构。

在第三章中,我们将看到我们的第一个生成深度学习模型,变分自编码器。这一强大的技术将使我们不仅可以产生真实的面孔,而且还可以改变现有的形象-例如,增加微笑或改变某人头发的颜色。

第四章探讨了近年来最成功的生成建模技术之一-生成对抗网络。这个优雅的框架用于构造一个生成性的建模问题,是大多数最先进的生成模型背后的引擎。我们将看到它已经被微调和适应的方式,以不断推进生成模型所能达到的边界。

第一部分介绍了生成式深度学习领域,分析了近年来最重要的两大进步:变分自编码和生成对抗网络。本书的其余部分介绍了一组案例研究,展示了如何将生成性建模技术应用于特定任务。接下来的三章侧重于人类创造力的三大核心支柱:绘画、写作和音乐创作。

在第五章中,我们将研究与机器绘画有关的两种技术。首先,我们将看一看CycleGAN,顾名思义,它是对GAN结构的一种适应,它允许模型学习如何将一张照片转换成一幅特定风格的画(反之亦然)。然后,我们还将探索包含在许多照片编辑应用程序中的神经风格转换技术,这些应用程序允许你将一幅画的风格转换到一张照片上,从而给人一种感觉,它是同一位艺术家的一幅画。

在第六章中,我们将把注意力转向机器写作,这一任务对图像生成提出了不同的挑战。本章介绍了递归神经网络(RNN)的体系结构,它允许我们解决涉及序列数据的问题。我们还将看到编解码结构是如何工作的,并构建一个简单的问答生成器。

第七章研究音乐生成,虽然这也是一个连续生成的问题,但也带来了额外的挑战,如音乐音高和节奏的建模。我们将看到,许多用于文本生成的技术仍然可以应用于这个领域,但我们还将探索一种称为MuseGAN的深度学习体系结构,它将第4章(关于GANs)中的思想应用于音乐数据。

第八章展示了如何在其他机器学习领域中使用生成模型,例如强化学习。本章介绍了近年来发表的最令人兴奋的论文之一,其中作者展示了如何将生成模型用作Agent训练的环境,从而使Agent能够梦到未来可能发生的情景,并设想如果它完全在自己的环境概念模型内采取某些行动,可能会发生什么。 

最后,第九章总结了生成建模的现状,并回顾了本书所介绍的技术。我们还将展望未来,探索当今最先进的技术将如何改变我们看待创造力的方式,以及我们是否能够创造一个人造实体,它能产生与人类艺术、文学和音乐先驱创作的作品无法区分的创意性的内容。
仅截取部分文档样例,完整版PDF请下载查看。

完整PDF下载
请关注专知公众号(点击上方蓝色专知关注
  • 后台回复“GDL2019” 就可以获取完整版书籍Generative Deep Learning的PDF下载链接~ 


-END-

专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
91

相关内容

在机器学习中,生成模型可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样),也可以用来建立变量间的条件概率分布。条件概率分布可以由生成模型根据贝叶斯定理形成。
【新书】深度学习搜索,Deep Learning for Search,附327页pdf
专知会员服务
201+阅读 · 2020年1月13日
深度学习界圣经“花书”《Deep Learning》中文版来了
专知会员服务
229+阅读 · 2019年10月26日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
194+阅读 · 2019年9月30日
【综述】生成式对抗网络GAN最新进展综述
专知
57+阅读 · 2019年6月5日
2019年最新-深度学习、生成对抗、Pytorch优秀教材推荐
深度学习与NLP
41+阅读 · 2019年4月18日
探幽深度生成模型的两种方法:VAE和GAN
AI前线
15+阅读 · 2018年3月10日
Arxiv
6+阅读 · 2019年7月29日
Arxiv
13+阅读 · 2019年1月26日
VIP会员
Top
微信扫码咨询专知VIP会员