2020-12-05 18:52:59

new/gan-proj/0.md

+
+
+# 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/) 。
+
+

new/gan-proj/9.md

+
+
+# 预测 GAN 的未来
+
+
+
+如果您已完成本书各章中的所有练习，则为学习和编码**生成对抗网络**（ **GAN** ）进行了很长的路要走。 世界应用。 GAN 有可能在许多不同行业中造成破坏。 科学家和研究人员开发了各种可用于构建商业应用的 GAN。 在本书中，我们探索并实现了一些最著名的 GAN 架构。
+
+因此，让我们回顾一下到目前为止所学到的东西：
+
+*   我们从对 GAN 的简要介绍开始，学习了各种重要概念。
+*   然后，我们探索了 3D-GAN，这是一种可以生成 3D 图像的 GAN。 我们训练了 3D-GAN，以生成现实世界对象的 3D 模型，例如*飞机*或*桌子。*
+*   在第三章中，我们探索了用于面部衰老的条件 GAN。 我们学习了如何使用条件 GAN 将处于年龄的的人脸图像转换为同一张脸的图像。 我们还讨论了 Age-cGAN 的各种实际应用。
+*   之后，我们探索了**深度卷积生成对抗网络**（ **DCGANs** ），该网络用于生成动漫人物的面孔。
+*   在第五章中，我们探讨了**超分辨率生成对抗网络**（ **SRGAN** ），该网络可用于从低分辨率图像生成高分辨率图像。 之后，我们讨论了 SRGAN 如何解决一些非常有趣的现实问题。
+*   然后，我们探索了 StackGAN，我们将其用于执行文本到图像的合成任务。 我们在训练 StackGAN 之前先探索了一个数据集，然后通过讨论 StackGAN 的实际应用来结束本章。
+
+*   在第七章中，我们探索了 CycleGAN，这是一次图像到图像的翻译任务。 我们的目标是将绘画变成照片。 我们还讨论了 CycleGAN 的实际应用
+*   最后，在第八章中，我们探讨了 pix2pix 网络，这是一种条件 GAN。 我们训练了 pix2pix 网络，以根据建筑标签生成立面图像。 像其他章节一样，我们通过讨论 pix2pix 网络的实际应用来结束本章。
+
+在本章中，我们将介绍以下主题：
+
+*   我们对 GAN 未来的预测
+*   GAN 的潜在未来应用
+*   可以探索 GAN 的其他区域
+
+
+
+
+
+# 我们对 GAN 未来的预测
+
+
+
+我认为，GAN 的未来将具有以下特点：
+
+*   研究团体公开接受 GAN 及其应用。
+*   令人印象深刻的结果-到目前为止，GAN 在使用常规方法难以执行的任务上显示出非常令人印象深刻的结果。 例如，将低分辨率图像转换为高分辨率图像以前是一项艰巨的任务，通常是使用 CNN 进行的。 GAN 体系结构（例如 SRGAN 或 pix2pix）显示了 GAN 在此应用中的潜力，而 StackGAN 网络已被证明对文本到图像的合成任务很有用。 如今，任何人都可以创建 SRGAN 网络并将其训练在自己的图像上。
+*   深度学习技术的进步。
+*   GAN 用于商业应用。
+*   GAN 训练过程的成熟。
+
+
+
+
+
+# 改善现有的深度学习方法
+
+
+
+监督式深度学习方法需要大量数据来训练模型。 获取该数据既昂贵又费时。 有时，无法获得数据，因为它不是公开可用的，或者如果它是公开可用的，则数据集的大小可能很小。 这是 GAN 可以营救的地方。 一旦使用相当小的数据集进行了训练，便可以部署 GAN 来从同一域生成新数据。 例如，假设您正在处理图像分类任务。 您有一个数据集，但是它不足以完成您的任务。 我们可以在现有映像上训练 GAN，然后将其部署到同一域中以生成新映像。 尽管 GAN 目前存在训练不稳定性的问题，但一些研究人员表明，可以生成逼真的图像。
+
+
+
+
+
+# GAN 商业应用的演变
+
+
+
+未来几年，我们将看到 GAN 的更多商业应用。 GAN 的许多商业应用已经开发，并给人留下了积极的印象。 例如，移动应用程序 Prisma 是 GAN 最早获得广泛成功的应用程序之一。 我们可能会在不久的将来看到 GAN 的民主化，一旦我们这样做了，我们将开始看到 GAN 改善了我们的日常生活。
+
+
+
+
+
+# GAN 培训过程的成熟
+
+
+
+自 2014 年成立以来，四年后，GAN 仍然遭受训练不稳定问题的困扰。 有时，GAN 根本无法收敛，因为两个网络都偏离了它们的训练路径。 在编写本书时，我多次遭受这个问题的困扰。 研究人员为稳定 GAN 的训练做出了许多努力。 我预测，随着深度学习领域的进步，该过程将日趋成熟，并且我们很快将能够毫无问题地训练模型。
+
+
+
+
+
+# GAN 的潜在未来应用
+
+
+
+GAN 的未来是光明的！ 我认为在不久的将来有可能会使用 GAN：
+
+*   从文本创建图表
+*   生成网站设计
+*   压缩数据
+*   药物发现与开发
+*   产生文字
+*   产生音乐
+
+
+
+
+
+# 从文本创建图表
+
+
+
+设计图表是一个漫长的过程。 这需要数小时的劳动并且需要特定的技能。 在市场营销和社会促销中，信息图表的魅力十足。 它们是社交媒体营销的主要成分。 有时，由于漫长的创建过程，公司不得不采用效率较低的策略来解决。 AI 和 GAN 可以帮助设计师进行创作。
+
+
+
+
+
+# 生成网站设计
+
+
+
+同样，设计网站是一个手动的，创造性的过程，需要熟练的手动工作，并且需要很长时间。 GAN 可以通过提供可以用作灵感的初始设计来协助设计师，从而节省大量金钱和时间。
+
+
+
+
+
+# 压缩数据
+
+
+
+互联网使我们能够将大量数据传输到任何位置，但这是有代价的。 GAN 使我们能够提高图像和视频的分辨率。 我们可以将低分辨率的图像和视频传输到它们所需的位置，然后可以使用 GAN 来提高数据质量，而这需要更少的带宽。 这带来了很多可能性。
+
+
+
+
+
+# 药物发现与开发
+
+
+
+使用 GAN 进行药物开发可能听起来像是一个梦想，但考虑到所需的化学和生物学特性，GAN 已被用于生成分子结构。 制药公司在新药的研发上花费了数十亿美元。 用于药物开发的 GAN 可以大大降低该成本。
+
+
+
+
+
+# 用于生成文本的 GAN
+
+
+
+GAN 已被证明对图像生成任务很有用。 GAN 中的大部分研究目前集中在高分辨率图像生成，文本到图像合成，样式转换，图像到图像翻译以及其他类似任务上。 目前，对于使用 GAN 生成文本的研究还不多。 这是因为 GAN 旨在生成连续的值，因此训练 GAN 以获得离散值确实具有挑战性。 将来，  预测将在文本生成任务中进行更多的研究。
+
+
+
+
+
+# 用于生成音乐的 GAN
+
+
+
+使用 GAN 进行音乐生成是另一个尚未得到充分探索的领域。 音乐创作的过程充满创造力，非常复杂。 GAN 具有改变音乐产业的潜力，如果发生这种情况，我们可能很快就会聆听 GAN 创建的曲目。
+
+
+
+
+
+# 探索 GAN
+
+
+
+您可以探索的其他 GAN 架构包括：
+
+*   **BigGAN** ：*大规模 GAN 训练，用于高保真自然图像合成*（ [https://arxiv.org/pdf/1809.11096.pdf](https://arxiv.org/pdf/1809.11096.pdf) ）
+*   **WaveGAN** ：使用生成的对抗网络合成音频（ [https://arxiv.org/abs/1802.04208](https://arxiv.org/abs/1802.04208) ）
+*   **开始**：*开始：边界均衡生成对抗网络*（ [https://arxiv.org/abs/1703.10717](https://arxiv.org/abs/1703.10717) ）
+*   **AC-GAN** ：*使用辅助分类器 GAN* （ [https://arxiv.org/abs/1610.09585](https://arxiv.org/abs/1610.09585) ）的条件图像合成
+
+*   **AdaGAN** ： *AdaGAN：增强生成模型*（ [https://arxiv.org/abs/1701.02386v1](https://arxiv.org/abs/1701.02386v1) ）
+*   **ArtGAN** ： *ArtGAN：带有条件分类 GAN* 的艺术品合成（ [https://arxiv.org/abs/1702.03410](https://arxiv.org/abs/1702.03410) ）
+*   **BAGAN** ： *BAGAN：平衡 GAN* 的数据增强（ [https://arxiv.org/abs/1803.09655](https://arxiv.org/abs/1803.09655) ）
+*   **BicycleGAN** ：*迈向多模态图像到图像翻译*（ [https://arxiv.org/abs/1711.11586](https://arxiv.org/abs/1711.11586) ）
+*   **CapsGAN** ： *CapsGAN：为生成对抗网络使用动态路由*（ [https://arxiv.org/abs/1806.03968](https://arxiv.org/abs/1806.03968) ）
+*   **E-GAN** ：*进化生成对抗网络*（ [https://arxiv.org/abs/1803.00657](https://arxiv.org/abs/1803.00657) ）
+*   **WGAN** ： *Wasserstein GAN* （ [h](https://arxiv.org/abs/1701.07875v2) [ttps：//arxiv.org/abs/1701.07875v2](https://arxiv.org/abs/1701.07875v2) ）
+
+研究人员还开发了数百种其他 GAN 架构。
+
+
+
+
+
+# 概要
+
+
+
+在本书中，我的目的是让您了解 GAN 及其在世界上的应用。 你的想象力是唯一的限制。 有大量可用的不同 GAN 架构，并且它们正在变得越来越成熟。 GAN 仍有很长的路要走，因为它们仍然存在诸如训练不稳定性和模式崩溃之类的问题，但是现在已经提出了各种解决方案，包括标签平滑，实例规范化和小批量区分。 我希望这本书对您实现 GAN 有所帮助。 如果您有任何疑问，请给我发送电子邮件到 [ahikailash1@gmail.com](mailto:ahikailash1@gmail.com) 。
+
+