# 前言



**生成对抗网络**（ **GAN** ）具有建立下一代模型的潜力，因为它们可以模拟任何数据分布。 由于它是**机器学习**（ **ML** ）增长最快的领域之一，因此正在该领域进行重大研究和开发工作。 当您在 GAN 域中构建八个端到端项目时，本书将测试训练神经网络的无监督技术。

*生成对抗网络项目*首先介绍了用于构建高效项目的概念，工具和库。 您还将在本书的不同项目中使用各种数据集。 在每一章中，复杂性和操作的水平都会提高，从而帮助您掌握 GAN 域。

您将介绍 3D-GAN，DCGAN，StackGAN 和 CycleGAN 等流行的方法，并且您将通过它们的实际实现来理解生成模型的体系结构和功能。

到本书结尾，您将准备在工作中或项目中建立，训练和优化自己的端到端 GAN 模型。





# 这本书是给谁的



如果您是数据科学家，ML 开发人员，深度学习从业人员或 AI 爱好者，并且正在寻找项目指南以测试您在构建现实 GAN 模型中的知识和专长，那么该书适合您。





# 本书涵盖的内容



[第 1 章](../Text/1.html)和*生成对抗网络* 的介绍始于 GAN 的概念。 读者将学习什么是判别器，什么是生成器以及什么是博弈论。 接下来的几个主题将涵盖生成器的结构，鉴别器的结构，生成器和鉴别器的目标函数，GAN 的训练算法，Kullback-Leibler 和 Jensen-Shannon 发散，GAN 的评估矩阵，GAN 的不同问题， GAN 中梯度消失和爆炸，纳什均衡，批量归一化和正则化的问题。

[第 2 章](../Text/2.html)和 *3D-GAN –使用 GAN 生成形状* 首先简要介绍 3D-GAN 和各种架构细节。 在本章中，我们将训练 3D-GAN 生成真实世界的 3D 形状。 我们编写代码来收集 3D Shapenet 数据集，对其进行清理并使其经过培训。 然后，我们将使用 Keras 深度学习库为 3D-GAN 编写代码。

[第 3 章](../Text/3.html)和*使用条件 GAN 进行人脸老化* ，向读者介绍了条件生成对抗网络（cGAN）和 Age-cGAN。 我们将学习数据准备中的不同步骤，例如下载，清理和格式化数据。 我们将使用 IMDb Wiki 图像数据集。 我们将使用 Keras 框架为 Age-cGAN 编写代码。 接下来，我们将在 IMDb Wiki 图像数据集上训练网络。 最后，我们将使用年龄作为条件参数的训练模型来生成图像，而训练后的模型将针对不同年龄的人的脸部生成图像。

[第 4 章](../Text/4.html)和*使用 DCGAN 生成动漫角色* 从 DCGAN 的介绍开始。 我们将学习数据准备中的不同步骤，例如收集动漫角色数据集，清理数据集并准备进行训练。 我们将在 Jupyter Notebook 中介绍 DCGAN 的 Keras 实现。 接下来，我们将学习训练 DCGAN 的不同方法，并为其选择不同的超参数。 最后，我们将使用训练有素的模型生成动漫角色。 另外，我们将讨论 DCGAN 的实际应用。

[第 5 章](../Text/5.html)和*使用 SRGAN 生成逼真的图像* 解释了如何训练 SRGAN 生成逼真的图像。 训练过程的第一步是收集数据集，然后清理它并格式化以进行训练。 读者将学习从何处收集数据集，如何清理数据集以及如何将其转换为可用于培训的格式。

[第 6 章](../Text/6.html)， *StackGAN –文本到逼真的图像合成* ，本章将首先介绍 StackGAN。 数据收集和数据准备是重要的步骤，我们将学习收集数据集，清理数据集并格式化以进行培训的过程。 我们将在 Jupyter Notebook 内的 Keras 中为 StackGAN 编写代码。 接下来，我们将在 CUB 数据集上训练网络。 最后，在完成模型训练后，我们将从文本描述中生成逼真的图像。 我们将讨论 StackGAN 的不同行业应用以及如何在生产中部署它们。

[第 7 章](../Text/7.html)，  *CycleGAN –将绘画变成照片* ，介绍了如何训练 CycleGAN 以 将画作变成照片。 我们将首先介绍 CycleGAN，并研究它们的不同应用。 我们将介绍不同的数据收集，数据清理和数据格式化技术。 接下来，我们将编写 CycleGAN 的 Keras 实现，并在 Jupyter Notebook 中获得有关代码的详细说明。 我们将在准备好的数据集上训练 CycleGAN。 我们将测试我们训练有素的模型，以将绘画转换为照片。 最后，我们看一下 CycleGAN 的实际应用。

[第 8 章](../Text/8.html)，*条件 GAN –使用条件对抗网络* 进行图像到图像的翻译，介绍了如何训练条件 GAN 进行图像到图像的翻译。 我们将首先介绍条件 GAN 和不同的数据准备技术，例如数据收集，数据清理和数据格式化。 接下来，我们将在 Jupyter Notebook 的 Keras 中编写条件 GAN 的代码。 接下来，我们学习如何在已经准备好的数据集上训练条件 GAN。 我们将探索不同的超参数进行训练。 最后，我们将测试条件 GAN，并讨论实际应用中图像到图像转换的不同用例。

[第 9 章](../Text/9.html)，*预测 GAN 的未来*，是最后一章。 在介绍了 GAN 的基础知识并完成了六个项目之后，本章将使读者了解 GAN 的未来。 在这里，我们将研究在过去的 3-4 年中，GAN 的采用取得了惊人的成就，以及该行业对它的接受程度。 我还将讨论我对 GAN 未来的个人看法。





# 充分利用这本书



熟悉深度学习和 Keras，并且需要一些先验知识 TensorFlow。 使用 Python 3 进行编码的经验会很有用。





# 下载示例代码文件



您可以从 [www.packt.com](http://www.packt.com) 的帐户中下载本书的示例代码文件。 如果您在其他地方购买了此书，则可以访问 [www.packt.com/support](http://www.packt.com/support) 并注册以将文件直接通过电子邮件发送给您。

您可以按照以下步骤下载代码文件：

1.  登录或注册 [www.packt.com](http://www.packt.com) 。
2.  选择支持标签。
3.  单击代码下载&勘误表。
4.  在搜索框中输入书籍的名称，然后按照屏幕上的说明进行操作。

下载文件后，请确保使用以下最新版本解压缩或解压缩文件夹：

*   Windows 的 WinRAR / 7-Zip
*   Mac 版 Zipeg / iZip / UnRarX
*   适用于 Linux 的 7-Zip / PeaZip

本书的代码包也托管在 GitHub 的 [https://github.com/PacktPublishing/Generative-Adversarial-Networks-Projects](https://github.com/PacktPublishing/Generative-Adversarial-Networks-Projects) 。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。

在 **[https://github.com/PacktPublishing/](https://github.com/PacktPublishing/) 中，我们还提供了丰富的图书和视频目录中的其他代码包。** 。 去看一下！





# 使用约定



本书中使用了许多文本约定。

`CodeInText`：表示文本中的词，数据库表名称，文件夹名称，文件名，文件扩展名，路径名，伪 URL，用户输入和 Twitter 句柄。 这里是一个示例：“ 使用 `scipy` 中的 `loadmat()` 函数来检索 `voxels`。”

代码块设置如下：

```py
import scipy.io as io
voxels = io.loadmat("path to .mat file")['instance']
```

任何命令行输入或输出的编写方式如下：

```py
pip install -r requirements.txt
```

**粗体**：表示您在屏幕上看到的新术语，重要单词或顺序。

Warnings or important notes appear like this.Tips and tricks appear like this.



# 保持联系



始终欢迎读者的反馈。

**一般反馈**：如果您对本书的任何方面都有疑问，在邮件主题中提及书名，并通过`customercare@packtpub.com`向我们发送电子邮件。

**勘误表**：尽管我们已尽一切努力确保内容的准确性，但还是会发生错误。 如果您在这本书中发现错误，请向我们报告，我们将不胜感激。 请访问 [www.packt.com/submit-errata](http://www.packt.com/submit-errata) ，选择您的书籍，点击勘误提交表格链接，然后输入详细信息。

**盗版**：如果您在 Internet 上以任何形式遇到我们的作品的任何非法副本，请向我们提供位置地址或网站名称，我们将不胜感激。 请通过`copyright@packt.com`与我们联系，并提供材料链接。

**如果您有兴趣成为作家**：如果您有一个专业的话题并且对写作或撰写书籍感兴趣，请访问 [authors.packtpub.com](http://authors.packtpub.com/) ]。





# 评论



请留下评论。 阅读和使用本书后，为什么不在您购买本书的网站上留下评论？ 然后，潜在的读者可以查看并使用您的公正意见来做出购买决定，Packt 的我们可以了解您对我们产品的看法，我们的作者可以在书中看到您的反馈。 谢谢！

有关 Packt 的更多信息，请访问 [packt.com](http://www.packt.com/) 。