生成对抗网络入门指南 第2版

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。该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；DGGAN、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。

史丹青，语忆科技联合创始人兼技术负责人，毕业于同济大学电子信息工程系。拥有多年时间的AI领域创业与实战经验，具备深度学习、自然语言处理以及数据可视化等相关知识与技能。是AI技术的爱好者，并拥抱一切新兴科技，始终坚信技术分享和开源精神的力量。

前言
第1章 人工智能入门
1.1 人工智能的历史以及发展
1.1.1 人工智能的诞生
1.1.2 人工智能的两起两落
1.1.3 新时代的人工智能
1.2 机器学习与深度学习
1.2.1 机器学习分类
1.2.2 神经网络与深度学习
1.2.3 深度学习的应用
1.3 了解生成对抗网络
1.3.1 从机器感知到机器创造
1.3.2 什么是生成对抗网络
1.4 本章小结
第2章 预备知识与开发工具
2.1 Python语言与开发框架
2.1.1 Python语言
2.1.2 常用工具简介
2.1.3 第三方框架简介
2.2 TensorFlow基础入门
2.2.1 TensorFlow简介与安装
2.2.2 TensorFlow实例：图像分类
2.3 Keras基础入门
2.3.1 Keras简介与安装
2.3.2 Keras使用入门
2.3.3 Keras实例：文本情感分析
2.4 本章小结
第3章 理解生成对抗网络
3.1 生成模型
3.1.1 生成模型简介
3.1.2 自动编码器
3.1.3 变分自动编码器
3.2 GAN的数学原理
3.2.1 似然估计
3.2.2 GAN的数学推导
3.3 GAN的可视化理解
3.4 GAN的工程实践
3.5 本章小结
第4章 深度卷积生成对抗网络
4.1 DCGAN的框架
4.1.1 DCGAN设计规则
4.1.2 DCGAN框架结构
4.2 DCGAN的工程实践
4.3 DCGAN的实验性应用
4.3.1 生成图像的变换
4.3.2 生成图像的算术运算
4.3.3 残缺图像的补全
4.4 本章小结
第5章 WassersteinGAN
5.1 GAN的优化问题
5.2 WGAN的理论研究
5.3 WGAN的工程实践
5.4 WGAN的实验效果分析
5.4.1 代价函数与生成质量的相关性
5.4.2 生成网络的稳定性
5.4.3 模式崩溃问题
5.5 WGAN的改进方案：WGAN-GP
5.6 本章小结
第6章 不同结构的GAN
6.1 GAN与监督式学习
6.1.1 条件式生成：cGAN
6.1.2 cGAN在图像上的应用
6.2 GAN与半监督式学习
6.2.1 半监督式生成：SGAN
6.2.2 辅助分类生成：ACGAN
6.3 GAN与无监督式学习
6.3.1 无监督式学习与可解释型特征
6.3.2 理解InfoGAN
6.4 本章小结
第7章 文本到图像的生成
7.1 文本条件式生成对抗网络
7.2 文本生成图像进阶：GAWWN
7.3 文本到高质量图像的生成
7.3.1 层级式图像生成：StackGAN
7.3.2 层级式图像生成的优化：StackGAN
7.4 本章小结
第8章 图像到图像的生成
8.1 可交互图像转换：iGAN
8.1.1 可交互图像转换的用途
8.1.2 iGAN的实现方法
8.1.3 iGAN软件简介与使用方法
8.2 匹配数据图像转换：Pix2Pix
8.2.1 理解匹配数据的图像转换
8.2.2 Pix2Pix的理论基础
8.2.3 Pix2Pix的应用实践
8.3 非匹配数据图像转换：CycleGAN
8.3.1 理解非匹配数据的图像转换
8.3.2 CycleGAN的理论基础
8.3.3 CycleGAN的应用实践
8.4 多领域图像转换：StarGAN
8.4.1 多领域的图像转换问题
8.4.2 StarGAN的理论基础
8.4.3 StarGAN的应用实践
8.5 本章小结
第9章 序列数据的生成
9.1 序列生成的问题
9.2 GAN的序列生成方法
9.3 自然语言生成
9.4 本章小结
第10章 GAN与强化学习及逆向强化学习
10.1 GAN与强化学习
10.1.1 强化学习基础
10.1.2 Actor-Critic
10.1.3 GAN与强化学习的关联
10.2 GAN与逆向强化学习
10.2.1 逆向强化学习基础
10.2.2 经典IRL算法
10.2.3 GAN的模仿学习：GAIL
10.3 本章小结
第11章 新一代GAN
11.1 GAN的评估方法
11.2 GAN的进化
11.2.1 SNGAN与SAGAN
11.2.2 BigGAN
11.2.3 StyleGAN
11.3 本章小结
第12章 GAN的应用与发展
12.1 多媒体领域的应用
12.1.1 图像处理
12.1.2 音频合成
12.2 艺术领域的应用
12.2.1 AI能否创造艺术
12.2.2 AI与计算机艺术的发展
12.2.3 艺术生成网络：从艺术模仿到创意生成
12.3 设计领域的应用
12.3.1 AI时代的设计
12.3.2 AI辅助式设计的研究
12.4 安全领域的应用
12.5 本章小结
参考文献