1 option
GANs mit PyTorch selbst programmieren / Rashid, Tariq.
- Format:
- Book
- Author/Creator:
- Rashid, Tariq, author.
- Standardized Title:
- Make your first GAN with PyTorch. German
- Language:
- English
- German
- Subjects (All):
- Big data.
- Python.
- Künstliche Intelligenz.
- Neuronale Netze.
- Machine learning.
- Data mining.
- Artificial intelligence.
- Deep Learning.
- Maschinelles Lernen.
- AI.
- Künstliche Neuronale Netze.
- PyTorch.
- GAN.
- Generative Adversarial Networks.
- Physical Description:
- 1 online resource (216 pages)
- Edition:
- 1st edition
- Other Title:
- Generative Adversarial Networks mit PyTorch selbst programmieren
- Place of Publication:
- dpunkt, 2020.
- System Details:
- text file
- Summary:
- 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.
- Contents:
- 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
- Kapitel 4: Grundlagen von CUDA
- NumPy vs. Python
- NVIDIA CUDA
- CUDA in Python verwenden
- Teil II: Generative Adversarial Networks erstellen
- Kapitel 5: Das GAN-Konzept
- Bilder generieren
- Gegnerisches Training
- Ein GAN trainieren
- GANs sind schwer zu trainieren
- Kapitel 6: Einfache 1010-Muster
- Echte Datenquelle
- Den Diskriminator erstellen
- Den Diskriminator testen
- Den Generator erstellen
- Die Generatorausgabe überprüfen
- Das GAN trainieren
- Kapitel 7: Handgeschriebene Ziffern
- Die Datensatzklasse
- Der MNIST-Diskriminator
- MNIST-Generator
- Die Generatorausgabe testen
- Mode Collapse
- Das GAN-Training verbessern
- Mit Startwerten experimentieren
- Kapitel 8: Menschliche Gesichter
- Farbbilder
- Der CelebA-Datensatz
- Hierarchisches Datenformat
- Die Daten abrufen
- Die Daten inspizieren
- Der Diskriminator
- GPU-Beschleunigung
- Der Generator
- Lernziele.
- Teil III: Komplexere GANs
- Kapitel 9: Convolutional GANs
- Speicherbedarf
- Lokalisierte Bildmerkmale
- Faltungsfilter
- Kerngewichte lernen
- Merkmalshierarchie
- MNIST-CNN
- CelebA-CNN
- Eigene Experimente
- Kapitel 10: Konditionierte GANs
- cGAN-Architektur
- Diskriminator
- Generator
- Trainingsschleife
- Bilder grafisch darstellen
- Ergebnisse für das konditionierte GAN
- 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.
- Notes:
- Online resource; Title from title page (viewed September 2, 2020)
- PublicationDate: 20200915
- Includes bibliographical references and index.
- Description based on publisher supplied metadata and other sources.
- ISBN:
- 9781098125820
- 1098125827
- 9783960103936
- 396010393X
- OCLC:
- 1196259230
The Penn Libraries is committed to describing library materials using current, accurate, and responsible language. If you discover outdated or inaccurate language, please fill out this feedback form to report it and suggest alternative language.