1、本书第2版跟踪近两年生成对抗网络（GAN）技术的发展和变化，包括离散数据生成、GAN与强化学习的关联、海量级高质量图像生成技术等内容，新增了BigGAN、StyleGAN等图像生成模型的介绍与技术解析。这些内容更新与第1版内容有机地结合，深入浅出地阐述了生成对抗网络技术原理和演进，通过代码实例揭示了生成对抗网络技术实际应用的方法，方便读者学习入门。
2、书中所有示例代码基于Tensorflow2.0进行了更新，全部支持在Tensorflow2.0环境下运行，方便读者上手实践，深入了解技术实现细节。
3、读者可在华章图书网站该书网页下载书中全部示例代码。
从2014年至今，与GAN有关的论文数量急剧增加，从谷歌学术的数据来看，数量仍在不断增加中。究其原因，除了科学研究本身的魅力之外，诸如文本到图像的生成、图像到图像的生成等应用研究也让业界非常兴奋，给人工智能领域带来诸多可能性。
本书是GAN的入门书籍，结合基础理论、工程实践进行讲解，深入浅出地介绍GAN的技术发展以及各类衍生模型。本书面向机器学习从业人员、高校相关专业学生以及具备一定基础的人工智能技术爱好者。书中包含GAN的理论知识与代码实践（示例代码可以从华章官网搜索下载），可帮助读者理解GAN的技术原理与实现细节。
本书主要内容
人工智能入门知识与开发工具
GAN的理论与实践
DCGAN、WGAN、cGAN等主流GAN衍生模型
文本到图像、图像到图像以及离散数据的生成方法
GAN与强化学习的关联
BigGAN、StyleGAN等前沿GAN模型
多媒体与艺术设计领域中的GAN应用
第 1 章 人工智能入门 1
11 人工智能的历史以及发展 1
111 人工智能的诞生 3
112 人工智能的两起两落 6
113 新时代的人工智能 8
12 机器学习与深度学习 10
121 机器学习分类 11
122 神经网络与深度学习 12
123 深度学习的应用 13
13 了解生成对抗网络 15
131 从机器感知到机器创造 15
132 什么是生成对抗网络 18
14 本章小结 20
第 2 章 预备知识与开发工具 21
21 Python 语言与开发框架 21
211 Python 语言 21
212 常用工具简介 23
213 第三方框架简介 26
22 TensorFlow 基础入门 27
221 TensorFlow 简介与安装 27
222 TensorFlow 实例：图像分类 30
23 Keras 基础入门 32
231 Keras 简介与安装 32
232 Keras 使用入门 34
233 Keras 实例：文本情感分析 37
24 本章小结 39
第 3 章 理解生成对抗网络 40
31 生成模型 40
311 生成模型简介 40
312 自动编码器 42
313 变分自动编码器 44
32 GAN 的数学原理 47
321 最大似然估计 47
322 GAN 的数学推导 50
33 GAN 的可视化理解 54
34 GAN 的工程实践 55
35 本章小结 63
第 4 章 深度卷积生成对抗网络 64
41 DCGAN 的框架 64
411 DCGAN 设计规则 64
412 DCGAN 框架结构 68
42 DCGAN 的工程实践 69
43 DCGAN 的实验性应用 77
431 生成图像的变换 77
432 生成图像的算术运算 79
433 残缺图像的补全 81
44 本章小结 83
第 5 章 Wasserstein GAN 84
51 GAN 的优化问题 84
52 WGAN 的理论研究 88
53 WGAN 的工程实践 91
54 WGAN 的实验效果分析 95
541 代价函数与生成质量的相关性 95
542 生成网络的稳定性 96
543 模式崩溃问题 99
55 WGAN 的改进方案：WGAN-GP 99
56 本章小结 103
第 6 章 不同结构的 GAN 104
61 GAN 与监督式学习 104
611 条件式生成：cGAN 104
612 cGAN 在图像上的应用 106
62 GAN 与半监督式学习 109
621 半监督式生成：SGAN 109
622 辅助分类生成：ACGAN 111
63 GAN 与无监督式学习 112
631 无监督式学习与可解释型特征 112
632 理解 InfoGAN 114
64 本章小结 119
第 7 章 文本到图像的生成 120
71 文本条件式生成对抗网络 120
72 文本生成图像进阶：GAWWN 124
73 文本到高质量图像的生成 127
731 层级式图像生成：StackGAN 128
732 层级式图像生成的优化：StackGAN-v2 133
74 本章小结 135
第 8 章 图像到图像的生成 136
81 可交互图像转换：iGAN 136
811 可交互图像转换的用途 136
812 iGAN 的实现方法 138
813 iGAN 软件简介与使用方法 141
82 匹配数据图像转换：Pix2Pix 144
821 理解匹配数据的图像转换 144
822 Pix2Pix 的理论基础 146
823 Pix2Pix 的应用实践 150
83 非匹配数据图像转换：CycleGAN 157
831 理解非匹配数据的图像转换 157
832 CycleGAN 的理论基础 162
833 CycleGAN 的应用实践 165
84 多领域图像转换：StarGAN 171
841 多领域的图像转换问题 171
842 StarGAN 的理论基础 174
843 StarGAN 的应用实践 177
85 本章小结 182
第 9 章 序列数据的生成 183
91 序列生成的问题 183
92 GAN 的序列生成方法 184
93 自然语言生成 187
94 本章小结 191
第 10 章 GAN 与强化学习及逆向强化学习 192
101 GAN 与强化学习 192
1011 强化学习基础 192
1012 Actor-Critic 195
1013 GAN 与强化学习的关联 196
102 GAN 与逆向强化学习 197
1021 逆向强化学习基础 197
1022 经典 IRL 算法 198
1023 GAN 的模仿学习：GAIL 200
103 本章小结 201
第 11 章 新一代 GAN 202
111 GAN 的评估方法 202
112 GAN 的进化 205
1121 SNGAN 与 SAGAN 205
1122 BigGAN 206
1123 StyleGAN 208
113 本章小结 210
第 12 章 GAN 的应用与发展 211
121 多媒体领域的应用 211
1211 图像处理 211
1212 音频合成 218
122 艺术领域的应用 221
1221 AI 能否创造艺术 221
1222 AI 与计算机艺术的发展 223
1223 艺术生成网络：从艺术模仿到创意生成 231
123 设计领域的应用 238
1231 AI 时代的设计 238
1232 AI 辅助式设计的研究 240
124 安全领域的应用 249
125 本章小结 252
参考文献 253
温馨提示：请使用员工书屋的读者帐号和密码进行登录
