GANs mit PyTorch selbst programmieren

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...

Descripción completa

Detalles Bibliográficos
Autor principal: Rashid, Tariq (Data scientist)
Formato: Electrónico eBook
Idioma:Indeterminado
Alemán
Publicado: [S.l.] : dpunkt, 2020.
Temas:
Machine learning.
Natural language processing (Computer science)
Neural networks (Computer science)
Python (Computer program language)
Apprentissage automatique.
Traitement automatique des langues naturelles.
Réseaux neuronaux (Informatique)
Python (Langage de programmation)
Acceso en línea:Texto completo (Requiere registro previo con correo institucional)

MARC

LEADER 00000cam a2200000Mu 4500
001 OR_on1202537435
003 OCoLC
005 20231017213018.0
006 m d
007 cr |n|||||||||
008 201010s2020 xx o ||| 0 und d
040 |a VT2  |b eng  |c VT2  |d UAB  |d OCLCO  |d OCLCF  |d TOH  |d CZL  |d OCLCO  |d MNU  |d OCLCQ 
019 |a 1295601120  |a 1300476576  |a 1303329180 
020 |a 9783960091479 
020 |a 3960091478 
020 |a 1098125827 
020 |a 9781098125820 
029 1 |a AU@  |b 000071521368 
035 |a (OCoLC)1202537435  |z (OCoLC)1295601120  |z (OCoLC)1300476576  |z (OCoLC)1303329180 
041 |a ger 
082 0 4 |a 006.31  |q OCoLC  |2 23/eng/20230216 
049 |a UAMI 
100 1 |a Rashid, Tariq  |c (Data scientist) 
245 1 0 |a GANs mit PyTorch selbst programmieren  |h [electronic resource] /  |c Tariq Rashid. 
260 |a [S.l.] :  |b dpunkt,  |c 2020. 
300 |a 1 online resource 
336 |a text  |b txt  |2 rdacontent 
337 |a computer  |b c  |2 rdamedia 
338 |a online resource  |b cr  |2 rdacarrier 
347 |a text file 
500 |a Title from content provider. 
520 |a 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. 
505 0 |a Intro -- Inhalt -- Einführung -- Teil I: PyTorch und neuronale Netze -- Kapitel 1: Grundlagen von PyTorch -- Google Colab -- PyTorch-Tensoren -- Automatische Gradienten mit PyTorch -- Berechnungsgraphen -- Lernziele -- Kapitel 2: Erstes neuronales Netz mit PyTorch -- Das MNIST-Bilddatensatz -- Die MNIST-Daten abrufen -- Ein Blick auf die Daten -- Ein einfaches neuronales Netz -- Das Training visualisieren -- Die Klasse für den MNIST-Datensatz -- Unsere Klassifizierer trainieren -- Das neuronale Netz abfragen -- Die Performance des Klassifizierers einfach ermitteln -- Kapitel 3: Verfeinerungen -- Verlustfunktion -- Aktivierungsfunktion -- Optimierungsmethode -- Normalisierung -- Kombinierte Verfeinerungen -- Lernziele -- Kapitel 4: Grundlagen von CUDA -- NumPy vs. Python -- NVIDIA CUDA -- CUDA in Python verwenden -- Lernziele -- Teil II: Generative Adversarial Networks erstellen -- Kapitel 5: Das GAN-Konzept -- Bilder generieren -- Gegnerisches Training -- Ein GAN trainieren -- GANs sind schwer zu trainieren -- Lernziele -- Kapitel 6: Einfache 1010-Muster -- Echte Datenquelle -- Den Diskriminator erstellen -- Den Diskriminator testen -- Den Generator erstellen -- Die Generatorausgabe überprüfen -- Das GAN trainieren -- Lernziele -- Kapitel 7: Handgeschriebene Ziffern -- Die Datensatzklasse -- Der MNIST-Diskriminator -- Den Diskriminator testen -- MNIST-Generator -- Die Generatorausgabe testen -- Das GAN trainieren -- Mode Collapse -- Das GAN-Training verbessern -- Mit Startwerten experimentieren -- Lernziele -- Kapitel 8: Menschliche Gesichter -- Farbbilder -- Der CelebA-Datensatz -- Hierarchisches Datenformat -- Die Daten abrufen -- Die Daten inspizieren -- Die Datensatzklasse -- Der Diskriminator -- Den Diskriminator testen -- GPU-Beschleunigung -- Der Generator -- Die Generatorausgabe überprüfen -- Das GAN trainieren -- Lernziele. 
505 8 |a Teil III: Komplexere GANs -- Kapitel 9: Convolutional GANs -- Speicherbedarf -- Lokalisierte Bildmerkmale -- Faltungsfilter -- Kerngewichte lernen -- Merkmalshierarchie -- MNIST-CNN -- CelebA-CNN -- Eigene Experimente -- Lernziele -- Kapitel 10: Konditionierte GANs -- cGAN-Architektur -- Diskriminator -- Generator -- Trainingsschleife -- Bilder grafisch darstellen -- Ergebnisse für das konditionierte GAN -- Lernziele -- 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. 
590 |a O'Reilly  |b O'Reilly Online Learning: Academic/Public Library Edition 
650 0 |a Machine learning. 
650 0 |a Natural language processing (Computer science) 
650 0 |a Neural networks (Computer science) 
650 0 |a Python (Computer program language) 
650 6 |a Apprentissage automatique. 
650 6 |a Traitement automatique des langues naturelles. 
650 6 |a Réseaux neuronaux (Informatique) 
650 6 |a Python (Langage de programmation) 
650 7 |a Machine learning.  |2 fast  |0 (OCoLC)fst01004795 
650 7 |a Natural language processing (Computer science)  |2 fast  |0 (OCoLC)fst01034365 
650 7 |a Neural networks (Computer science)  |2 fast  |0 (OCoLC)fst01036260 
650 7 |a Python (Computer program language)  |2 fast  |0 (OCoLC)fst01084736 
776 |z 3-96009-147-8 
856 4 0 |u https://learning.oreilly.com/library/view/~/9781098125820/?ar  |z Texto completo (Requiere registro previo con correo institucional) 
994 |a 92  |b IZTAP 

Ejemplares similares