GANs mit PyTorch selbst programmieren

Ein verständlicher Einstieg in Generative Adversarial Networks

Tariq Rashid

Cite this publication as

Tariq Rashid, GANs mit PyTorch selbst programmieren (2020), O'Reilly Verlag, Heidelberg, ISBN: 9783960103936

3189
accesses
14
quotes

Description / Abstract

Neues von Bestsellerautor Tariq Rashid: Eine Einführung in die innovative Deep-Learning-Technik GANs


Schritt-für-Schritt-Anleitung zum Erstellen eigener GANs mit PyTorch, regt zum Ausprobieren an
GANs (Generative Adversarial Networks) gehören zu den spannendsten neuen Algorithmen im Machine Learning
Tariq Rashid erklärt diese schwierige Materie außergewöhnlich klar und gut nachvollziehbar


"Die coolste Idee im Deep Learning in den letzten 20 Jahren" sagt Yann LeCun, einer der weltweit führenden Forscher auf dem Gebiet der neuronalen Netze, über GANs, die Generative Adversarial Networks. Bei dieser noch neuen KI-Technik treten zwei neuronale Netze gegeneinander an mit dem Ziel, Bilder, Ton und Videos zu erzeugen, die vom Original nicht zu unterscheiden sind.Dieses Buch richtet sich an alle, die selbst ausprobieren möchten, wie GANs funktionieren. Tariq Rashid zeigt Ihnen Schritt für Schritt, wie Sie mit dem populären Framework PyTorch Ihre eigenen GANs erstellen und trainieren. Sie starten mit einem sehr einfachen GAN, um einen Workflow einzurichten, und üben erste Techniken anhand der MNIST-Datenbank ein. Mit diesem Wissen programmieren Sie dann ein GAN, das realistische menschliche Gesichter erzeugen kann. Tariq Rashids besondere Fähigkeit, komplexe Ideen verständlich zu erklären, macht das Buch zu einer unterhaltsamen Lektüre.

Description

Tariq Rashid ist Physiker, hat einen Master in Machine Learning und Data Mining und leitet die Londoner Python-Meetup-Gruppe mit 3.000 Mitgliedern. Er ist ein Verfechter des Open-Source-Gedankens und konnte eine Open-Source-Reform für die britische Regierung durchführen. Er ist der Überzeugung, dass immer noch zu viele wichtige Ideen schlecht erklärt werden. Seine persönliche Mission ist es, spannende, aber komplexe technische Konzepte besser zu vermitteln.

Table of content

  • BEGINN
  • Inhalt
  • Einführung
  • Teil I: PyTorch und neuronale Netze
  • Kapitel 1: Grundlagen von PyTorch
  • Kapitel 2: Erstes neuronales Netz mit PyTorch
  • Kapitel 3: Verfeinerungen
  • Kapitel 4: Grundlagen von CUDA
  • Teil II: Generative Adversarial Networks erstellen
  • Kapitel 5: Das GAN-Konzept
  • Kapitel 6: Einfache 1010-Muster
  • Kapitel 7: Handgeschriebene Ziffern
  • Kapitel 8: Menschliche Gesichter
  • Teil III: Komplexere GANs
  • Kapitel 9: Convolutional GANs
  • Kapitel 10: Konditionierte GANs
  • Fazit
  • Anhänge
  • Anhang A: MSE-Verlust
  • Anhang B: GANs merken sich die Trainingsdaten nicht
  • Anhang C: Beispiel 1: Faltung mit Schrittweite 1, keine Auffüllung
  • Anhang D: Gradientenabstieg – für das Training von GANs geeignet?
  • Anhang E: Der CelebA-Datensatz
  • Index

Related titles

    More of this author(s)