Opiniones de los lectores
Resumen:El libro ha sido bien recibido por sus claros ejemplos en PyTorch y su sólida cobertura de temas clave relacionados con los GAN, aunque algunos usuarios opinan que las explicaciones podrían mejorarse.
Ventajas:⬤ Ejemplos claros en PyTorch
⬤ excelente cobertura de temas clave relacionados con GANs
⬤ explicaciones de código muy didácticas.
Las explicaciones podrían mejorarse; algunos usuarios sugieren que se utilice junto con otros libros para una mejor comprensión.
(basado en 4 opiniones de lectores)
Título original:
Hands-On Generative Adversarial Networks with PyTorch 1.x
Contenido del libro:
Aplique técnicas de aprendizaje profundo y metodologías de redes neuronales para construir, entrenar y optimizar modelos de redes generativas Características principales Implemente arquitecturas GAN para generar imágenes, texto, audio, modelos 3D y mucho más Comprenda cómo funcionan las GAN y conviértase en un colaborador activo en la comunidad de código abierto Aprenda a generar imágenes fotorrealistas basadas en descripciones de texto Descripción del libro.
Con una investigación y un desarrollo en continua evolución, las redes generativas adversariales (GAN) son la próxima gran novedad en el campo del aprendizaje profundo. Este libro destaca las mejoras clave de las GAN sobre los modelos generativos y guía para sacar el máximo partido de las GAN con la ayuda de ejemplos prácticos.
Este libro comienza llevándole a través de los conceptos básicos necesarios para entender cómo funciona cada componente de un modelo GAN. Construirá su primer modelo GAN para entender cómo funcionan las redes generadora y discriminadora. A medida que avance, profundizará en una serie de ejemplos y conjuntos de datos para construir una variedad de redes GAN utilizando las funcionalidades y servicios de PyTorch, y se familiarizará con las arquitecturas, estrategias de entrenamiento y métodos de evaluación para la generación, traducción y restauración de imágenes. Incluso aprenderá a aplicar modelos GAN para resolver problemas en áreas como la visión por computador, multimedia, modelos 3D y procesamiento del lenguaje natural (PLN). El libro cubre cómo superar los retos a los que se enfrenta la construcción de modelos generativos desde cero. Por último, también descubrirá cómo entrenar sus modelos GAN para generar ejemplos adversos con los que atacar a otros modelos CNN y GAN.
Al final de este libro, habrá aprendido a construir, entrenar y optimizar modelos GAN de nueva generación y a utilizarlos para resolver diversos problemas del mundo real. Lo que aprenderá Implementar las últimas características de PyTorch para asegurar un diseño eficiente de modelos Familiarizarse con los mecanismos de trabajo de los modelos GAN Realizar transferencia de estilos entre colecciones de imágenes no emparejadas con CycleGAN Construir y entrenar 3D-GANs para generar una nube de puntos de objetos 3D Crear una gama de modelos GAN para realizar diversas operaciones de síntesis de imágenes Utilizar SEGAN para suprimir el ruido y mejorar la calidad del audio de voz A quién va dirigido este libro.
Este libro de GAN está dirigido a profesionales del aprendizaje automático e investigadores de aprendizaje profundo que buscan una guía práctica para implementar modelos GAN con PyTorch. Se familiarizará con las arquitecturas GAN más avanzadas con la ayuda de ejemplos reales. Es necesario tener conocimientos del lenguaje de programación Python para comprender los conceptos tratados en este libro. Tabla de contenidos Fundamentos de las Redes Generativas Adversariales Primeros pasos con PyTorch 1. Diseño del modelo 3 Mejores prácticas para el diseño y entrenamiento de modelos Construyendo su primera GAN con PyTorch Generación de imágenes basadas en información de etiquetas Traducción de imagen a imagen y sus aplicaciones Restauración de imágenes con GANs Entrenando sus GANs para romper diferentes modelos Generación de imágenes a partir de descripción de texto Síntesis de secuencias con GANs Reconstrucción de modelos 3D con GANs
