Avis des lecteurs
Résumé:Le livre est bien accueilli pour ses exemples clairs dans PyTorch et sa couverture solide des sujets clés liés aux GANs, bien que certains utilisateurs pensent que les explications pourraient être améliorées.
Avantages:⬤ Exemples clairs dans PyTorch
⬤ excellente couverture des thèmes clés liés aux GANs
⬤ explications de code très didactiques.
Les explications pourraient être améliorées ; certains utilisateurs suggèrent qu'il devrait être utilisé avec d'autres livres pour une meilleure compréhension.
(basé sur 4 avis de lecteurs)
Titre original :
Hands-On Generative Adversarial Networks with PyTorch 1.x
Contenu du livre :
Appliquer des techniques d'apprentissage profond et des méthodologies de réseaux neuronaux pour construire, former et optimiser des modèles de réseaux génératifs Caractéristiques principales Mettre en œuvre des architectures GAN pour générer des images, du texte, de l'audio, des modèles 3D, et plus encore Comprendre le fonctionnement des GAN et devenir un contributeur actif dans la communauté open source Apprendre à générer des images photo-réalistes basées sur des descriptions textuelles Description du livre.
Avec une recherche et un développement en constante évolution, les réseaux adversoriels génératifs (GAN) sont la prochaine grande nouveauté dans le domaine de l'apprentissage profond. Ce livre met en évidence les principales améliorations des GAN par rapport aux modèles génératifs et permet de tirer le meilleur parti des GAN à l'aide d'exemples pratiques.
Ce livre commence par vous présenter les concepts de base nécessaires pour comprendre le fonctionnement de chaque composant d'un modèle GAN. Vous construirez votre premier modèle GAN pour comprendre le fonctionnement des réseaux de générateurs et de discriminateurs. Au fur et à mesure que vous avancerez, vous vous plongerez dans une série d'exemples et d'ensembles de données pour construire une variété de réseaux GAN en utilisant les fonctionnalités et les services de PyTorch, et vous vous familiariserez avec les architectures, les stratégies d'apprentissage et les méthodes d'évaluation pour la génération, la traduction et la restauration d'images. Vous apprendrez également à appliquer les modèles GAN pour résoudre des problèmes dans des domaines tels que la vision par ordinateur, le multimédia, les modèles 3D et le traitement du langage naturel (NLP). Le livre explique comment surmonter les difficultés rencontrées lors de la construction de modèles génératifs à partir de zéro. Enfin, vous découvrirez également comment entraîner vos modèles GAN à générer des exemples contradictoires pour attaquer d'autres modèles CNN et GAN.
A la fin de ce livre, vous aurez appris à construire, entraîner et optimiser les modèles GAN de nouvelle génération et à les utiliser pour résoudre une variété de problèmes du monde réel. Ce que vous apprendrez Mettre en œuvre les dernières fonctionnalités de PyTorch pour assurer une conception efficace des modèles Se familiariser avec les mécanismes de fonctionnement des modèles GAN Effectuer un transfert de style entre des collections d'images non appariées avec CycleGAN Construire et entraîner des 3D-GAN pour générer un nuage de points d'objets 3D Créer une gamme de modèles GAN pour effectuer diverses opérations de synthèse d'images Utiliser SEGAN pour supprimer le bruit et améliorer la qualité de la parole audio A qui s'adresse ce livre ?
Ce livre sur le GAN s'adresse aux praticiens de l'apprentissage automatique et aux chercheurs en apprentissage profond qui souhaitent obtenir des conseils pratiques sur l'implémentation de modèles GAN à l'aide de PyTorch. Vous vous familiariserez avec les architectures GAN de pointe à l'aide d'exemples concrets. Une connaissance pratique du langage de programmation Python est nécessaire pour comprendre les concepts abordés dans ce livre. Table des matières Fondamentaux des réseaux adversoriels génératifs Prise en main de PyTorch 1. 3 Meilleures pratiques pour la conception de modèles et l'entraînement Construction de votre premier GAN avec PyTorch Génération d'images à partir d'informations sur les étiquettes Traduction image-image et ses applications Restauration d'images avec les GAN Entraînement de vos GAN pour casser différents modèles Génération d'images à partir de textes descriptifs Synthèse de séquences avec les GAN Reconstruction de modèles 3D avec les GAN
