GAN 對抗式生成網路

第一篇 GAN 與生成模型入門
1 GAN (對抗式生成網路) 簡介
2 用 Autoencoder (AE) 做為生成模型
3 你的第一個 GAN：生成手寫數字
4 深度卷積 GAN (DCGAN)

第二篇 GAN 的進階課題
5 訓練 GAN 時所面臨的挑戰與解決之道
6 漸進式 GAN (PGGAN)
7 半監督式 GAN (SGAN)
8 條件式 GAN (CGAN)
9 CycleGAN

第三篇 GAN 的實際應用及未來方向
10 對抗性樣本 (Adversarial example)
11 GAN 的實際應用
12 展望未來


[完整目錄]

第一篇 GAN 與生成模型入門

第 1 章 GAN (對抗式生成網路) 簡介
1.1 什麼是 GAN (Generative Adversarial Network)？
1.2 GAN 如何運作？
1.3 GAN 的詳細運作流程
1.3.1 GAN 的訓練方式
1.3.2 何時達到均衡 (完成訓練)
1.4 為何要學 GAN？

第 2 章 用 Autoencoder (AE) 做為生成模型
2.1 生成模型 (Generative model) 簡介
2.2 Autoencoder 的運作原理
2.3 Autoencoder 的架構
2.4 Autoencoder 與 GAN 有何不同？
2.5 Autoencoder 的用途
2.6 「非監督式」與「自監督式」學習
2.6.1 舊招新用
2.6.2 用 Autoencoder 生成資料
2.6.3 VAE (Variational Autoencoder)
2.7 實例：寫程式實作 VAE
2.8 再論潛在空間
2.9 為何我們還是得用 GAN？

第 3 章 你的第一個 GAN：生成手寫數字
3.1 GAN 的基礎：對抗訓練
3.1.1 損失函數
3.1.2 訓練過程
3.2 生成器與鑑別器的目標差異
3.2.1 目標衝突
3.2.2 混淆矩陣 (confusion matrix)
3.3 GAN 的訓練程序
3.4 實例：生成手寫數字
3.4.1 匯入模組並設定模型輸入維度
3.4.2 實作生成器
3.4.3 實作鑑別器
3.4.4 建立並編譯訓練所需的模型
3.4.5 撰寫訓練用的函式
3.4.6 顯示生成的圖片
3.4.7 開始訓練模型
3.4.8 檢查結果
3.5 結語

第 4 章 深度卷積 GAN (DCGAN)
4.1 卷積神經網路 (CNN)
4.1.1 卷積濾鏡 (Convolutional filter)
4.1.2 將 CNN 的概念視覺化
4.2 DCGAN 簡史
4.3 批次正規化 (Batch normalization)
4.3.1 了解正規化
4.3.2 批次正規化計算
4.4 實例：用 DCGAN 生成手寫數字
4.4.1 匯入模組並設定模型輸入的維度
4.4.2 實作 DCGAN 的生成器
4.4.3 實作 DCGAN 的鑑別器
4.4.4 建立並運行 DCGAN
4.4.5 模型輸出
4.5 結語

第二篇 GAN 的進階課題

第 5 章 訓練 GAN 時所面臨的挑戰與解決之道
5.1 評估訓練成效的方法
5.1.1 各種可能的評估方法
5.1.2 起始分數 (IS)
5.1.3 Fréchet 初始距離 (FID)
5.2 訓練上的挑戰
5.2.1 逐步增加神經網路的深度
5.2.2 更改賽局的設計與評估方式
5.2.3 Min-Max GAN
5.2.4 非飽和 GAN (NS-GAN)
5.2.5 何時該結束訓練
5.2.6 Wasserstein GAN (WGAN)
5.3 賽局設計的重點整理
5.4 訓練 GAN 的實用技巧
5.4.1 將輸入正規化
5.4.2 批次正規化
5.4.3 梯度懲罰
5.4.4 給鑑別器更多的訓練
5.4.5 避免稀疏梯度
5.4.6 使用標籤平滑或增加標籤雜訊

第 6 章 漸進式 GAN (PGGAN)
6.1 於潛在空間中做插值
6.2 進展快速的 PGGAN
6.2.1 以漸進方式擴充圖層解析度
6.2.2 程式觀摩
6.2.3 小批次標準差
6.2.4 均等學習率
6.2.5 生成器的逐像素特徵正規化
6.3 PGGAN 的關鍵改良總結
6.4 TensorFlow Hub 入門
6.5 實際應用

第 7 章 半監督式 GAN (SGAN)
7.1 認識 SGAN
7.1.1 什麼是 SGAN？
7.1.2 SGAN 的輸入、輸出、與目標
7.1.3 SGAN 的訓練過程
7.1.4 SGAN 的訓練目標
7.2 實例：實作 SGAN
7.2.1 SGAN 的架構圖
7.2.2 行前說明
7.2.3 程式初始設置
7.2.4 準備資料集
7.2.5 設計生成器
7.2.6 設計鑑別器
7.2.7 建立並編譯模型
7.2.8 開始訓練
7.3 與全監督式分類器比較
7.4 結語

第 8 章 條件式 GAN (CGAN)
8.1 CGAN 的發展動機
8.2 CGAN 的原理與架構
8.2.1 CGAN 的生成器
8.2.2 CGAN 的鑑別器
8.2.3 總結表
8.2.4 架構圖
8.3 實例：實作 CGAN
8.3.1 行前說明
8.3.2 初始設置
8.3.3 設計生成器
8.3.4 設計鑑別器
8.3.5 建立並編譯模型
8.3.6 設計訓練迴圈
8.3.7 顯示樣本影像
8.3.8 實際開始訓練模型
8.3.9 檢視輸出結果：是否生成指定種類的資料
8.4 結語

第 9 章 CycleGAN
9.1 圖像轉譯
9.2 來回一致損失 (Cycle-consistency loss)：先轉過去再轉回來
9.3 對抗損失 (Adversarial loss)
9.4 特質損失 (Identity loss)
9.5 CycleGAN 的架構
9.5.1 整體架構：CycleGAN 的 4 個神經網路
9.5.2 生成器的架構
9.5.3 鑑別器的架構
9.6 GAN 的物件導向設計
9.7 實例：實作 CycleGAN
9.7.1 建立 CycleGAN 的 4 個神經網路
9.7.2 建立生成器的 method
9.7.3 建立鑑別器的 method
9.7.4 訓練模型的 method
9.7.5 實際開始訓練
9.8 CycleGAN 的強化和應用
9.8.1 CycleGAN 加強版 (Augmented CycleGAN)
9.8.2 CycleGAN 的各種應用

第三篇 GAN 的實際應用及未來方向

第 10 章 對抗性樣本 (Adversarial example)
10.1 對抗性樣本的用途
10.2 深度學習的潛在弱點：容易被騙
10.3 訓練方法的善用與濫用
10.4 樣本中的訊號與雜訊
10.5 還不到絕望的時候
10.6 解鈴還須繫鈴人，該 GAN 出馬了
10.7 結語

第 11 章 GAN 的實際應用
11.1 GAN 在醫學方面的應用
11.1.1 用 GAN 提高診斷準確率
11.1.2 擴增訓練樣本的方法
11.1.3 應用的成果
11.2 GAN 在時尚方面的應用
11.2.1 用 GAN「設計」時尚
11.2.2 把 CGAN 用到時尚領域
11.2.3 創造符合個人偏好的新商品
11.2.4 針對個人偏好改良現有商品
11.3 結語

第 12 章 展望未來
12.1 GAN 的道德考量
12.2 GAN 的最新改良
12.2.1 RGAN (相對 GAN)
12.2.2 SAGAN (自我注意 GAN)
12.2.3 BigGAN
12.3 更多潛力 GAN 的參考資料
12.4 本書的回顧與結語

第一篇 GAN 與生成模型入門
1 GAN (對抗式生成網路) 簡介
2 用 Autoencoder (AE) 做為生成模型
3 你的第一個 GAN：生成手寫數字
4 深度卷積 GAN (DCGAN)

第二篇 GAN 的進階課題
5 訓練 GAN 時所面臨的挑戰與解決之道
6 漸進式 GAN (PGGAN)
7 半監督式 GAN (SGAN)
8 條件式 GAN (CGAN)
9 CycleGAN

第三篇 GAN 的實際應用及未來方向
10 對抗性樣本 (Adversarial example)
11 GAN 的實際應用
12 展望未來


[完整目錄]

第一篇 GAN 與生成模型入門

第 1 章 GAN (對抗式生成網路) 簡介
1.1 什麼是 GAN (Generative...