Recenze čtenářů
Shrnutí:V recenzích je kniha chválena za jasné vysvětlení konceptů generativního hlubokého učení a dobře strukturovaný obsah, který vyvažuje teorii s praktickými aplikacemi. Čtenáři vyzdvihují hloubku poskytovaných informací o různých generativních modelech a poutavý styl autorova psaní. Výrazná kritika se však týká kvality příkladů kódu ve vydání pro Kindle a některých problémů se spouštěním ukázek.
Klady:⬤ Výborná struktura a snadné sledování.
⬤ Jasné vysvětlení složitých konceptů.
⬤ Dobrá rovnováha mezi teorií a praktickými příklady.
⬤ Komplexní pokrytí generativních modelů.
⬤ Poutavý a vtipný styl psaní.
⬤ Četné příklady funkčního kódu, které jsou dobře podloženy zdroji.
Zápory:⬤ Špatná kvalita matematických rovnic a zápisů ve vydání pro Kindle.
⬤ Některé příklady kódu jsou obtížně spustitelné kvůli problémům s kompatibilitou a zastaralým knihovnám.
⬤ Několik recenzentů poznamenalo, že výsledky trénování modelů neodpovídají očekávaným výsledkům.
⬤ Chybí část o hodnocení kvality generovaných výstupů.
(na základě 24 hodnocení čtenářů)
Původní název:
Generative Deep Learning: Teaching Machines to Paint, Write, Compose, and Play
Obsah knihy:
Generativní modelování je jedním z nejžhavějších témat v oblasti umělé inteligence. Nyní je možné naučit stroj, aby vynikal v lidských činnostech, jako je malování, psaní a skládání hudby. S touto praktickou knihou inženýři strojového učení a datoví vědci zjistí, jak znovu vytvořit některé z nejpůsobivějších příkladů generativních modelů hlubokého učení, jako jsou variační autoenkodéry, generativní adverzní sítě (GAN), transformátory, normalizační toky a difuzní modely.
Autor David Foster předvádí vnitřní fungování jednotlivých technik, začíná základy hlubokého učení a postupuje k některým z nejmodernějších algoritmů v oboru. Díky tipům a trikům pochopíte, jak zefektivnit učení modelů a zvýšit jejich kreativitu.
⬤ Zjistěte, jak variační autoenkodéry dokáží měnit výrazy obličeje na fotografiích.
⬤ Sestavte si od základu praktické příklady GAN pro generování obrázků na základě vlastní sady dat.
⬤ Vytvořte autoregresivní generativní modely, například LSTM pro generování textu a modely PixelCNN pro generování obrázků.
⬤ Sestavte modely pro generování hudby pomocí Transformers a MuseGAN.
⬤ Prozkoumejte vnitřní fungování nejmodernějších architektur, jako jsou StyleGAN, VQ-VAE, BERT a GPT-3.
⬤ Ponořte se do současných praktických aplikací generativních modelů, jako je přenos stylů (CycleGAN, neuronový přenos stylů) a multimodální modely (CLIP a DALL. E 2) pro generování textů na obrázky.
⬤ Pochopte, jak mohou generativní modely pomáhat agentům plnit úkoly v rámci posilování učení.
⬤ Pochopit, jak by se mohla vyvíjet budoucnost generativního modelování, včetně toho, jak se podniky budou muset přizpůsobit, aby využily nové technologie.
