Generative Adversarial Networks Cookbook

Opiniones de los lectores

El libro ha recibido críticas mixtas de los usuarios, con algunos elogiando su enfoque práctico para el aprendizaje de GANs, mientras que otros criticaron su calidad de escritura y presentación visual.

Ofrece un enfoque práctico para el aprendizaje de GANs, un desglose útil del código, referencias a artículos originales y sirve como un buen punto de partida para seguir aprendiendo en el aprendizaje automático.

Mala calidad de redacción, figuras y visuales inadecuados, a menudo hace perder el tiempo a los lectores con comentarios innecesarios y con frecuencia se omiten partes clave del código. A algunos lectores les resultó difícil de leer y se arrepintieron de haberlo comprado.

(basado en 4 opiniones de lectores)

Contenido del libro:

Simplifique el aprendizaje profundo de próxima generación mediante la implementación de potentes modelos generativos utilizando Python, TensorFlow y Keras Características principales Comprenda la arquitectura común de los diferentes tipos de GAN Entrene, optimice e implemente aplicaciones GAN utilizando TensorFlow y Keras Construya modelos generativos con conjuntos de datos del mundo real, incluidos datos 2D y 3D Descripción del libro.

Desarrollar Redes Generativas Adversariales (GANs) es una tarea compleja, y a menudo es difícil encontrar código que sea fácil de entender.

Este libro le guiará a través de ocho ejemplos diferentes de implementaciones modernas de GAN, incluyendo CycleGAN, simGAN, DCGAN y la generación de modelos 2D a 3D. Cada capítulo contiene recetas útiles para construir sobre una arquitectura común en Python, TensorFlow y Keras para explorar arquitecturas GAN cada vez más difíciles en un formato fácil de leer. El libro comienza cubriendo los diferentes tipos de arquitectura GAN para ayudarle a entender cómo funciona el modelo. Este libro también contiene recetas intuitivas para ayudarle a trabajar con casos de uso que implican DCGAN, Pix2Pix, etc. Para comprender estas complejas aplicaciones, tomará diferentes conjuntos de datos del mundo real y los pondrá en práctica.

Al final de este libro, usted estará equipado para hacer frente a los retos y problemas que puede enfrentar al trabajar con modelos GAN, gracias a soluciones de código fáciles de seguir que puede implementar de inmediato. Lo que aprenderá Estructurar una arquitectura GAN en pseudocódigo Comprender la arquitectura común para cada uno de los modelos GAN que construirá Implementar diferentes arquitecturas GAN en TensorFlow y Keras Utilizar diferentes conjuntos de datos para habilitar la funcionalidad de redes neuronales en modelos GAN Combinar diferentes modelos GAN y aprender a afinarlos Producir un modelo que pueda tomar imágenes 2D y producir modelos 3D Desarrollar un GAN para hacer transferencia de estilo con Pix2Pix A quién va dirigido este libro.

Este libro está dirigido a científicos de datos, desarrolladores de aprendizaje automático y profesionales del aprendizaje profundo que busquen una referencia rápida para abordar retos y tareas en el ámbito de GAN. La familiaridad con los conceptos de aprendizaje automático y el conocimiento práctico del lenguaje de programación Python le ayudarán a sacar el máximo provecho del libro. Tabla de contenidos ¿Qué es una Red Generativa Adversarial? Primero los datos - Cómo preparar su conjunto de datos Mi primer GAN en menos de 100 líneas Soñando nuevas cocinas usando DCGAN Pix2Pix Estilo de traducción de imagen a imagen Transfiriendo su imagen usando CycleGAN Use imágenes simuladas para crear globos oculares fotorrealistas usando simGAN De imágenes a modelos 3D usando GANs