Генеративное глубокое обучение
Творческий потенциал нейронных сетей.
Фостер Дэвид «Генеративное глубокое обучение» Питер, 2020 год, 336 стр., O’Reilly, ISBN 978-5-4461-1566-2; (PDF-DJVU-RU-EN-CODE)
Описание книги.
Генеративное моделирование - одна из самых актуальных тем в искусственном интеллекте. Теперь можно научить машину преуспевать в таких человеческих начинаниях, как рисование, письмо и сочинение музыки. С помощью этой практической книги инженеры по машинному обучению и специалисты по обработке данных узнают, как воссоздать некоторые из наиболее впечатляющих примеров генеративных моделей глубокого обучения, таких как вариационные автокодировщики, генеративные состязательные сети (GAN), модели кодировщиков-декодеров и т. д.
Автор Дэвид Фостер демонстрирует внутреннюю работу каждой техники, начиная с основ глубокого обучения и заканчивая некоторыми из самых передовых алгоритмов в этой области. С помощью советов и приемов вы поймете, как сделать так, чтобы ваши модели учились более эффективно и становились более креативными.
Вы начнете с основ глубокого обучения на базе Keras, а затем перейдете к самым передовым алгоритмам:
- Узнайте, как вариационные автодекодеры могут изменять выражение лица на фотографиях.
- Создавайте практические примеры GAN с нуля, включая CycleGAN для передачи стилей и MuseGAN для создания музыки.
- Создавайте повторяющиеся генеративные модели для генерации текста и узнайте, как улучшить модели, используя внимание
- Разберитесь, как генеративные модели могут помочь агентам выполнять задачи в условиях обучения с подкреплением.
- Изучите архитектуру Transformer (BERT, GPT-2) и модели генерации изображений, такие как ProGAN и StyleGAN
Оглавление.
- ЧАСТЬ I. Введение в генеративное глубокое обучение
Глава 1. Генеративное моделирование
Глава 2. Глубокое обучение
Глава 3. Вариационные автокодировщики
Глава 4. Генеративно-состязательные сети - ЧАСТЬ II. Учим машины рисовать, писать, сочинять музыку и играть в игры
Глава 5. Рисование
Глава 6. Литературное творчество
Глава 7. Сочинение музыки
Глава 8. Играем в игры
Глава 9. Будущее генеративного моделирования
Глава 10. Заключение
Добавить комментарий