|
||
Strona główna > opis książki
• wydawnictwa polskie
• Zamów informacje o nowościach z wybranego tematu • kontakt
• Cookies na stronie |
DEEP LEARNING I MODELOWANIE GENERATYWNEFOSTER D.wydawnictwo: HELION , rok wydania 2021, wydanie Icena netto: Deep learning i modelowanie generatywneJak nauczyć komputer malowania, pisania, komponowania i graniaTechniki uczenia głębokiego rozwijają się w imponującym tempie, a sieci neuronowe znajdują zastosowanie w przeróżnych branżach. Coraz częściej komputer wykonuje zadania, które do niedawna były zarezerwowane dla człowieka. Dobrym przykładem jest tworzenie dzieł sztuki: ostatnie postępy w dziedzinie modelowania generatywnego sprawiają, że maszyny tworzą oryginalne obrazy w określonym stylu, piszą spójne akapity tekstu, komponują przyjemną w odbiorze muzykę i generują prawdopodobne scenariusze zdarzeń. Ta "generatywna rewolucja" już się zaczęła, a jej efekty przekraczają najśmielsze wyobrażenia. Ta książka jest praktycznym przewodnikiem przeznaczonym dla inżynierów uczenia maszynowego i analityków danych. W jasny i przystępny sposób omówiono w niej zasadnicze zagadnienia teorii modelowania generatywnego, a następnie zaprezentowano techniki stosowane do budowy modeli generatywnych, włącznie z ogólnym opisem uczenia głębokiego, wariacyjnych autoenkoderów i generatywnych sieci antagonistycznych (GAN). Na tej podstawie - z wykorzystaniem biblioteki Keras - pokazano wewnętrzne funkcjonowanie każdej z tych technik, łącznie z najbardziej nowatorskimi architekturami. Opisano krok po kroku sposoby rozwiązywania takich twórczych zadań jak malowanie, pisanie i komponowanie muzyki, a także zastosowania modelowania generatywnego do optymalizacji strategii grania w gry (modele World). W książce między innymi:
Przedmowa 8 CZĘŚĆ I. WPROWADZENIE DO GENERATYWNEGO UCZENIA GŁĘBOKIEGO 13 1. Modelowanie generatywne 15 Czym jest modelowanie generatywne? 15 Modelowanie generatywne a dyskryminatywne 16 Postępy w uczeniu maszynowym 18 Powstanie modelowania generatywnego 19 Framework modelowania generatywnego 21 Probabilistyczne modele generatywne 23 Witaj, Zlemio! 25 Twój pierwszy probabilistyczny model generatywny 26 Naiwny model Bayesa 29 Witaj, Zlemio! Kontynuacja 31 Wyzwania modelowania generatywnego 33 Uczenie reprezentacji 34 Konfiguracja środowiska 37 Podsumowanie 39 2. Uczenie głębokie 41 Dane ustrukturyzowane i nieustrukturyzowane 41 Głębokie sieci neuronowe 42 Keras i TensorFlow 44 Twoja pierwsza głęboka sieć neuronowa 45 Ładowanie danych 45 Budowanie modelu 46 Kompilacja modelu 50 Szkolenie modelu 51 Ocena modelu 52 Usprawnianie modelu 54 Warstwy konwolucyjne 55 Normalizacja partii 59 Warstwy Dropout 61 Połączenie warstw w całość 63 Podsumowanie 66 3. Autoenkodery wariacyjne 67 Wystawa 67 Autoenkodery 70 Twój pierwszy autoenkoder 71 Koder 71 Dekoder 73 Połączenie kodera z dekoderem 75 Analiza autoenkodera 76 Wariacyjna wystawa sztuki 78 Budowanie autoenkodera wariacyjnego 80 Koder 80 Funkcja strat 85 Analiza autoenkodera wariacyjnego 86 Korzystanie z VAE do generowania twarzy 87 Szkolenie VAE 88 Analiza VAE 88 Generowanie nowych twarzy 91 Arytmetyka przestrzeni ukrytej 92 Morfing twarzy 93 Podsumowanie 94 4. Sieci GAN 95 Ganimale 95 Wprowadzenie do sieci GAN 97 Twoja pierwsza sieć GAN 98 Dyskryminator 99 Generator 101 Szkolenie sieci GAN 104 Wyzwania dla sieci GAN 108 Oscylacyjne straty 109 Załamanie trybu 109 Mylące wartości funkcji strat 110 Hiperparametry 110 Stawianie czoła wyzwaniom związanym z GAN 111 Model GAN Wassersteina 111 Funkcja straty Wassersteina 111 Ograniczenie Lipschitza 113 Obcinanie wag 113 Szkolenie sieci WGAN 114 Analiza sieci WGAN 115 WGAN-GP 116 Funkcja straty z ograniczeniem gradientu 116 Analiza sieci WGAN-GP 120 Podsumowanie 121 CZĘŚĆ II. UCZENIE KOMPUTERÓW MALOWANIA, PISANIA, KOMPONOWANIA I GRANIA 123 5. Malowanie 125 Jabłka i pomarańcze 126 CycleGAN 128 Twoja pierwsza sieć CycleGAN 130 Przegląd 130 Generatory (U-Net) 131 Dyskryminatory 134 Kompilacja modelu CycleGAN 136 Szkolenie sieci CycleGAN 137 Analiza sieci CycleGAN 138 Tworzenie sieci CycleGAN, która maluje w stylu Moneta 140 Generatory (ResNet) 141 Analiza zaprojektowanej sieci CycleGAN 142 Neuronowy transfer stylu 143 Utrata treści 145 Utrata stylu 147 Całkowita utrata wariancji 149 Uruchomienie neuronowego transferu stylów 150 Analiza modelu neuronowego transferu stylu 151 Podsumowanie 152 6. Pisanie 153 Literackie Stowarzyszenie Twórczych Miernot 154 Sieci LSTM 155 Twoja pierwsza sieć LSTM 156 Tokenizacja 156 Budowanie zestawu danych 158 Architektura LSTM 159 Warstwa Embedding 160 Warstwa LSTM 161 Komórka LSTM 162 Generowanie nowego tekstu 164 Rozszerzenia sieci RNN 168 Stos sieci rekurencyjnych 168 Sieci GRU 169 Komórki dwukierunkowe 170 Modele koder-dekoder 170 Generator pytań i odpowiedzi 172 Zestaw danych pytanie - odpowiedź 173 Architektura modelu 174 Wnioskowanie 177 Wyniki modelu 179 Podsumowanie 180 7. Komponowanie muzyki 181 Wymagania wstępne 182 Notacja muzyczna 182 Twoja pierwsza sieć RNN do generowania muzyki 184 Mechanizm uwagi 185 Budowanie mechanizmu uwagi w Keras 187 Analiza sieci RNN z mechanizmem uwagi 190 Mechanizm uwagi w sieciach koder-dekoder 195 Generowanie polifonicznej muzyki 199 MuseGAN 199 Twoja pierwsza sieć MuseGAN 201 Generator sieci MuseGAN 203 Akordy, styl, melodia i ścieżki 205 Generator taktów 207 Połączenie architektury w całość 208 Krytyk 209 Analiza sieci MuseGAN 210 Podsumowanie 212 8. Gry 213 Uczenie przez wzmacnianie 213 OpenAI Gym 215 Architektura modelu świata 217 Autoenkoder wariacyjny 217 MDN-RNN 218 Kontroler 219 Konfiguracja 219 Przegląd procesu szkolenia 220 Zbieranie losowych danych rozgrywki 221 Szkolenie VAE 222 Architektura VAE 224 Eksploracja VAE 226 Pobieranie danych do szkolenia sieci RNN 228 Szkolenie sieci MDN-RNN 229 Architektura sieci MDN-RNN 230 Próbkowanie następnego wektora z i wartości nagrody z sieci MDN-RNN 231 Funkcja straty sieci MDN-RNN 232 Szkolenie kontrolera 233 Architektura kontrolera 234 CMA-ES 234 Współbieżny algorytm CMA-ES 236 Wyjście ze szkolenia kontrolera 238 Szkolenie "we śnie" 239 Szkolenie kontrolera "we śnie" 239 Wyzwania związane ze szkoleniem "we śnie" 241 Podsumowanie 242 9. Przyszłość modelowania generatywnego 243 Pięć lat postępu 243 Transformer 245 Kodowanie pozycyjne 246 Warstwy Multi-head Attention 246 Dekoder 249 Analiza modelu Transformer 249 BERT 250 GPT-2 251 MuseNet 252 Postępy w generowaniu obrazów 252 ProGAN 252 SAGAN 254 BigGAN 255 StyleGAN 256 Zastosowania modelowania generatywnego 259 Sztuka AI 259 Muzyka AI 259 10. Zakończenie 261 264 strony, Format: 17.0x23.5cm, oprawa miękka
Po otrzymaniu zamówienia poinformujemy, |
