Avis des lecteurs
Résumé:Le livre a reçu des critiques mitigées de la part des utilisateurs, certains louant son approche pratique de l'apprentissage des GANs, tandis que d'autres critiquaient la qualité de l'écriture et la présentation visuelle.
Avantages:Il propose une approche pratique de l'apprentissage des GANs, une décomposition utile du code, des références à des articles originaux, et constitue un bon point de départ pour un apprentissage plus approfondi de l'apprentissage automatique.
Inconvénients:La qualité de l'écriture est médiocre, les figures et les images sont inadéquates, le lecteur perd souvent son temps avec des commentaires inutiles et des parties clés du code sont souvent omises. Certains lecteurs ont trouvé le livre difficile à lire et regrettent de l'avoir acheté.
(basé sur 4 avis de lecteurs)
Titre original :
Generative Adversarial Networks Cookbook
Contenu du livre :
Simplifiez l'apprentissage profond de nouvelle génération en mettant en œuvre de puissants modèles génératifs à l'aide de Python, TensorFlow et Keras Caractéristiques principales Comprendre l'architecture commune des différents types de GAN Former, optimiser et déployer des applications GAN à l'aide de TensorFlow et Keras Construire des modèles génératifs avec des ensembles de données du monde réel, y compris des données 2D et 3D Description du livre.
Développer des réseaux adversoriels génératifs (GAN) est une tâche complexe, et il est souvent difficile de trouver du code facile à comprendre.
Ce livre vous guide à travers huit exemples différents d'implémentations modernes de GAN, y compris CycleGAN, simGAN, DCGAN, et la génération d'images 2D en modèles 3D. Chaque chapitre contient des recettes utiles pour construire sur une architecture commune en Python, TensorFlow et Keras afin d'explorer des architectures GAN de plus en plus difficiles dans un format facile à lire. Le livre commence par couvrir les différents types d'architecture GAN pour vous aider à comprendre le fonctionnement du modèle. Ce livre contient également des recettes intuitives pour vous aider à travailler avec des cas d'utilisation impliquant DCGAN, Pix2Pix, etc. Pour comprendre ces applications complexes, vous prendrez différents jeux de données du monde réel et les mettrez en pratique.
À la fin de ce livre, vous serez équipé pour faire face aux défis et aux problèmes que vous pouvez rencontrer en travaillant avec des modèles GAN, grâce à des solutions de code faciles à suivre que vous pouvez mettre en œuvre immédiatement. Ce que vous apprendrez Structurer une architecture GAN en pseudocode Comprendre l'architecture commune pour chacun des modèles GAN que vous construirez Implémenter différentes architectures GAN dans TensorFlow et Keras Utiliser différents ensembles de données pour activer la fonctionnalité de réseau neuronal dans les modèles GAN Combiner différents modèles GAN et apprendre à les affiner Produire un modèle qui peut prendre des images 2D et produire des modèles 3D Développer un GAN pour faire du transfert de style avec Pix2Pix À qui s'adresse ce livre ?
Ce livre s'adresse aux scientifiques des données, aux développeurs de l'apprentissage automatique et aux praticiens de l'apprentissage profond à la recherche d'une référence rapide pour relever les défis et accomplir les tâches dans le domaine du GAN. Une bonne connaissance des concepts de l'apprentissage automatique et une connaissance pratique du langage de programmation Python vous aideront à tirer le meilleur parti de ce livre. Table des matières Qu'est-ce qu'un Generative Adversarial Network ? Data First - Comment préparer votre jeu de données Mon premier GAN en moins de 100 lignes Rêver de nouvelles cuisines en utilisant DCGAN Pix2Pix Image-to-Image Translation Style Transfering Your image using CycleGAN Utiliser des images simulées pour créer des globes oculaires photo réalistes en utilisant simGAN De l'image aux modèles 3D en utilisant les GANs
Autres informations sur le livre :
| ISBN : | 9781789139907 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
