Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes
Contenu du livre :
Chapitre 1 : Deep Learning PerceptronObjectif du chapitre : Dans ce chapitre, nous présentons les bases de l'apprentissage profond, du perceptron au perceptron multicouche. Nombre de pages : 30Sous-thèmes1. Comprendre l'apprentissage profond et l'apprentissage supervisé. 1. Utilisation du perceptron pour l'apprentissage supervisé. 2. Construire un perceptron multicouche. 3. Découvrir les bases de l'activation, de la perte, de l'optimisation et de la propagation arrière pour les problèmes de régression et de classification.
Objectif du chapitre : Ce chapitre présente l'autoencodeur et le GAN pour la génération de contenu simple. En cours de route, nous apprenons également à utiliser les couches des réseaux convolutifs pour une meilleure extraction des caractéristiques. Nombre de pages : 30Sous - Sujets 1. Pourquoi nous avons besoin d'autoencodeurs et comment ils fonctionnent. 2. Amélioration de l'autoencodeur avec des couches de réseau convolutif. 3. Générer du contenu avec le GAN. 4. Explorer les méthodes d'amélioration du GAN vanille.
Chapitre 3 : Explorer l'espace latentObjectif du chapitre : Dans ce chapitre, nous découvrons l'espace latent en IA. Ce que cela signifie de se déplacer dans l'espace latent de l'IA en utilisant des autoencodeurs variationnels et des GAN conditionnels. Nombre de pages : 30 Sous - Sujets : 1. Comprendre la variation et l'autoencodeur variationnel. 2. Explorer l'espace latent avec un VAE. 3. Extension d'un GAN pour qu'il soit conditionnel. 4. Générer des aliments intéressants à l'aide d'un GAN conditionnel.
Chapitre 4 : GANs, GANs et encore des GANsObjectif du chapitre : Dans ce chapitre, nous commençons à découvrir les vastes variations des GANs et de leurs applications. Nous commençons par les bases, comme le GAN à double convolution, et allons jusqu'aux GAN à pile et progressifs. Nombre de pages : 30Sous - Sujets : 1. Examiner des échantillons des nombreuses variantes de GANs. 2. Configurer et utiliser un DCGAN. 3. Comprendre le fonctionnement d'un StackGAN. 4. Travailler et utiliser un ProGAN.
Chapitre 5 : Traduction d'image à image avec les GANs.
Couvre : Pix2Pix et DualGAN, projets secondaires pour comprendre avec ResNET et UNET, architectures réseau avancées pour la classification/génération d'images.
Chapitre 6 : Traduction d'images avec cohérence de cycle.
Couvre : La perte de cohérence du cycle et le CycleGAN, BiCycleGAN et StarGAN.
Chapitre 7 : Styliser avec les GANs.
Couvertures : StyleGAN, Attention et le GAN Self-attention avec un regard sur DeOldify.
Chapitre 8 : Développer des DeepFakesObjectif du chapitre : Les DeepFakes sont en train de prendre le monde d'assaut et dans ce chapitre, nous explorons comment utiliser un projet DeepFakes. Nombre de pages : 301. Apprenez à isoler des visages ou d'autres points d'intérêt dans des images ou des vidéos. 2. Extraire et remplacer des visages à partir d'images ou de vidéos. 3. Utiliser DeepFakes GAN pour générer des images de visages à partir d'une image d'entrée. 4. Rassembler le tout et permettre à l'utilisateur de générer sa propre vidéo DeepFake.
Chapitre 9 : Découvrir les Autoencodeurs Latents AdversariauxObjectif du chapitre : Les GAN ne sont pas la seule technique permettant la manipulation et la génération de contenu. Dans ce chapitre, nous examinons la méthode ALAE pour générer du contenu. Nombre de pages : 1. Examiner comment étendre les autoencodeurs pour l'apprentissage contradictoire. 2. Comprendre comment l'AE peut être utilisé pour explorer l'espace latent dans les données. 3. Utiliser l'ALAE pour générer du contenu conditionnel.
Autres informations sur le livre :
| ISBN : | 9781484270912 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2021 |
| Nombre de pages : | 321 |
Achat:
Actuellement disponible, en stock.
