Recenze čtenářů
Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 2 hlasů.
Původní název:
Generating a New Reality: From Autoencoders and Adversarial Networks to Deepfakes
Obsah knihy:
Kapitola 1: Hluboké učení PerceptronCíl kapitoly: V této kapitole představíme základy hlubokého učení od perceptronu po vícevrstvý perceptron. Počet stran: Témata: 1. Pochopení hlubokého učení a učení pod dohledem. 1. Použití perceptronu pro učení pod dohledem. 2. Konstrukce vícevrstvého perceptronu. 3. Objevte základy aktivace, ztráty, optimalizace a zpětného šíření pro problémy regrese a klasifikace.
Kapitola 2: Uvolnění autoenkodérů a generativních adverzních sítíCíl kapitoly: Tato kapitola představuje autoenkodér a GAN pro jednoduché generování obsahu. Cestou se také dozvíme o použití konvolučních síťových vrstev pro lepší extrakci příznaků. Počet stran: 1: Podkapitola - Témata 1. Proč potřebujeme autoenkodéry a jak fungují. 2. Vylepšení autoenkodéru pomocí konvolučních síťových vrstev. 3. Generování obsahu pomocí GAN. 4. Prozkoumání metod pro vylepšení vanilla GAN.
Kapitola 3: Zkoumání latentního prostoruCíl kapitoly: V této kapitole objevíme latentní prostor v umělé inteligenci. Co to znamená pohybovat se v latentním prostoru UI pomocí variačních autoenkodérů a podmíněných GAN. Počet stran: 1: Témata: 30 dílčích témat: 1. Pochopení variace a variačního autoenkodéru. 2. Zkoumání latentního prostoru pomocí VAE. 3. Rozšíření GAN o podmíněnost. 4. Generování zajímavých potravin pomocí podmíněné GAN.
Kapitola 4: GAN, GAN a další GANCíl kapitoly: V této kapitole začneme odhalovat rozsáhlé variace GAN a jejich aplikace. Začneme od základů, jako je GAN s dvojitou konvolucí, a dopracujeme se až k zásobníkovým a progresivním GAN. Počet stran: 30Sub - Témata: 1. Podívejte se na ukázky z mnoha variant GAN. 2. Nastavení a použití DCGAN. 3. Pochopit, jak funguje StackGAN. 4. Pracovat a používat síť ProGAN.
Kapitola 5: Převod obrazu na obraz pomocí GAN.
Zahrnuje: Pix2Pix a DualGAN, vedlejší projekty pro porozumění s ResNET a UNET, pokročilé síťové architektury pro klasifikaci/generaci obrazu.
Kapitola 6: Překlad obrazů s cyklickou konzistencí.
Zahrnuje: CycleGAN, BiCycleGAN a StarGAN.
Kapitola 7: Stylizace pomocí GAN.
Obálky: StyleGAN, Attention a Self-attention GAN s pohledem na DeOldify.
Kapitola 8: Vývoj DeepFakesCíl kapitoly: DeepFakes berou svět útokem a v této kapitole prozkoumáme, jak používat projekt DeepFakes. Počet stran: 1: 301. Naučte se izolovat obličeje nebo jiné body zájmu na obrázcích nebo ve videu. 2. Extrahujte a nahrazujte obličeje z obrázků nebo videa. 3. Použijte DeepFakes GAN ke generování obrazů obličejů na základě vstupního obrazu. 4. Spojte vše dohromady a umožněte uživateli vygenerovat vlastní video DeepFake.
Kapitola 9: Odhalení adversariálních latentních autoenkodérůCíl kapitoly: GAN nejsou jedinou technikou, která umožňuje manipulaci s obsahem a jeho generování. V této kapitole se podíváme na metodu ALAE pro generování obsahu. Počet stran: 1: 1. Podívejte se, jak rozšířit autoenkodéry pro adverzní učení. 2. Pochopení, jak lze AE použít k prozkoumání latentního prostoru v datech. 3. Využití ALAE k vytváření podmíněného obsahu.
