Cargando…
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...
| Autor principal: | |
|---|---|
| Formato: | Electrónico eBook |
| Idioma: | Indeterminado Alemán |
| Publicado: |
[S.l.] :
dpunkt,
2020.
|
| Temas: | |
| Acceso en línea: | Texto completo (Requiere registro previo con correo institucional) |
Tabla de Contenidos:
- 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.
- 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.