生成對抗網路最精解：用TensorFlow實作最棒的GAN應用

前言

01 優雅Python
1.1 Anaconda
1.2 Python 基礎
1.3 Python 進階
1.4 小結

02 優雅的數學
2.1 向量與矩陣
2.2 微積分
2.3 機率論
2.4 資訊理論
2.5 小結

03 初識神經網路
3.1 什麼是神經網路
3.2 神經網路中常見的概念
3.3 動手實現深度學習框架TensorPy
3.4 TensorFlow 簡介
3.5 小結

04 初識生成對抗網路
4.1 什麼是生成對抗網路
4.2 GAN 基本原理
4.3 TensorFlow 實現樸素GAN
4.4 關於GAN 的幾個問題
4.5 小結

05 生成對抗網路的數學原理
5.1 擬合真實分佈
5.2 生成對抗網路
5.3 統一框架F-GAN
5.4 GAN 訓練過程視覺化
5.5 小結

06 卷積生成對抗網路
6.1 初識卷積神經網路
6.2 TensorFlow 實現卷積網路
6.3 TensorFlow 實現DCGAN網路
6.4 小結
07 條件生成對抗網路
7.1 如何實現圖型間風格轉換
7.2 條件生成對抗網路
7.3 ColorGAN 的實現
7.4 實現文字轉圖型
7.5 實現句子轉圖型
7.6 小結

08 迴圈一致性
8.1 以無監督的方式實現風格轉換
8.2 CycleGAN
8.3 StarGAN
8.4 語義樣式不變的圖型跨域轉換
8.5 小結

09 改進生成對抗網路
9.1 傳統GAN 存在的問題
9.2 Wasserstein GAN
9.3 Improved WGAN（WGAN-GP）
9.4 SN-GAN
9.5 小結

10 漸近增強式生成對抗網路
10.1 堆疊式生成對抗網路StackGAN
10.2 TensorFlow 資料處理
10.3 漸近增長生成對抗網路PGGAN
10.4 小結

11 GAN 進行特徵學習
11.1 近似推斷
11.2 InfoGAN
11.3 VAE-GAN
11.4 小結

12 GAN 在NLP 中的運用
12.1 GAN 在文字生成中遇到的困境
12.2 GAN 生成離散資料的方法
12.3 強化學習簡述
12.4 SeqGAN
12.5 MaskGAN
12.6 小結

作者簡介



廖茂文

　　遊戲AI研究員、高級工程師

　　研究興趣為自然語言處理、生成對抗網路、 遊戲AI，曾參與多項機器學習專案。

潘志宏  

　　高級工程師

　　研究興趣為機器學習、深度學習、物聯網。發表論文18篇、申請實用新型專利共8項，其中已授權3項。指導學生獲得50個以上獎項，多次獲得優秀指導教師獎。