�x���¹�������ֱ�ӳ���
�gӭ���R�ЈD�W(w��ng) Ո | ע��
> >>
����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���`

���] ����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���`

�����磺�����]늳���������r�g��2020-06-01
�_���� 16�_ 퓔�(sh��)�� 480
�� �D �r:¥49.5(5.0��) ���r  ¥99.0 ��䛺�ɿ������T�r
����ُ��܇ �ղ�
�_������ ȫ�����]
?�½������س���
������Ǖ�����>

����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���` �����Ϣ

����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���` ������ɫ

�������ȏ�Python �����Z���_ʼӑՓ���𲽽�B**�Ĕ�(sh��)�W֪�R�c��(j��ng)�W(w��ng)�j�Ļ���֪�R��������ӑՓ�ă��ݾ���һ����ȌW�����TensorPy�������@Щ֪�R����䁉|�������_ʼӑՓ���Ɍ����W(w��ng)�j��GAN�����P�ă�����Ȼ�󣬱���ʹ�ñ��^���ε��Z�ԁ�����GAN �漰��˼����ģ���c��(sh��)�Wԭ����������ͨ�^TensorFlow���F(xi��n)���y(t��ng)��GAN����ӑՓ���һ����Ҫ���������Єe�������������c��BGAN ���N��Ҋ��׃�w���������e���Ɍ����W(w��ng)�j���l���������ɾW(w��ng)�j��ѭ�h(hu��n)һ���������M���Ɍ����W(w��ng)�j���u������ʽ���Ɍ����W(w��ng)�j�ȃ����� ������ģ���c��(sh��)�W�ĽǶȁ�����GAN ׃�w��ϣ��ͨ�^��(sh��)�W��̖���_����ͬGAN ׃�w�ĺ���˼�룬�m���˹��������C���W����Ӌ��Cҕ�X���P���I(y��)���ˆT�W��ʹ����

����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���` ���ݺ���

�������ȏ�Python �����Z���_ʼӑՓ���𲽽�B���]�Ĕ�(sh��)�W֪�R�c��(j��ng)�W(w��ng)�j�Ļ���֪�R��������ӑՓ�ă��ݾ���һ����ȌW�����TensorPy�������@Щ֪�R����䁉|�������_ʼӑՓ���Ɍ����W(w��ng)�j��GAN�����P�ă��ݡ�Ȼ��������ʹ�ñ��^���ε��Z�ԁ�����GAN �漰��˼����ģ���c��(sh��)�Wԭ����������ͨ�^TensorFlow���F(xi��n)���y(t��ng)��GAN����ӑՓ���һ����Ҫ���������Єe�������������c��BGAN ���N��Ҋ��׃�w���������e���Ɍ����W(w��ng)�j���l���������ɾW(w��ng)�j��ѭ�h(hu��n)һ���������M���Ɍ����W(w��ng)�j���u������ʽ���Ɍ����W(w��ng)�j�ȃ��ݡ� ������ģ���c��(sh��)�W�ĽǶȁ�����GAN ׃�w��ϣ��ͨ�^��(sh��)�W��̖���_����ͬGAN ׃�w�ĺ���˼�룬�m���˹��������C���W����Ӌ��Cҕ�X���P���I(y��)���ˆT�W��ʹ����

����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���` Ŀ�

�� 1 �� ��(y��u)��Python 1

1.1��Anaconda��1

1.2��Python ���A��4

1.2.1�����Ô�(sh��)��(j��)��͡�5

1.2.2�����̿��ơ�7

1.2.3������(sh��)���x��8

1.3��Python �M�A��8

1.3.1������ʽ��9

1.3.2���ɵ��������c��������9

1.3.3����������11

1.3.4���b�����11

1.4���Y��13

�ڡ�2 �� ��(y��u)�ŵĔ�(sh��)�W��14

2.1�������c��ꇡ�14

2.1.1�������ĸ��14

2.1.2�������Ļ����\�㡡15

2.1.3����ꇵĸ��17

2.1.4����ꇵ��\�㡡19

2.2��΢�e�֡�24

2.2.1���A����e��24

2.2.2���ŵ�΢�e�֡�25

2.2.3���ؽ�΢�e�֡�28

2.2.4�����õĹ�ʽ��29

2.2.5��ƫ����(sh��)��31

2.2.6�����򌧔�(sh��)��31

2.2.7���ʽ���t��33

2.3������Փ��34

2.3.1���S�C׃����34

2.3.2���l�����ʡ�36

2.3.3��ؐ�~˹������38

2.3.4����Ҋ�ĸ��ʷֲ���39

2.4����ϢՓ��41

2.4.1����Ϣ�ء�41

2.4.2���l���ء�43

2.4.3������Ϣ��43

2.4.4�������أ�KL ɢ�ȣ���44

2.4.5�������ء�45

2.5���Y��46

��3���� ���R��(j��ng)�W(w��ng)�j��47

3.1��ʲô����(j��ng)�W(w��ng)�j��47

3.1.1����(j��ng)�W(w��ng)�j�Ěvʷ��47

3.1.2����(j��ng)�W(w��ng)�j�ă�(y��u)�ݡ�54

3.2����(j��ng)�W(w��ng)�j�г�Ҋ�ĸ��55

3.2.1��ǰ������㷨��55

3.2.2���pʧ����(sh��)��57

3.2.3���ݶ��½��㷨��58

3.2.4�����N�ݶ��½��㷨��63

3.2.5����������㷨��67

3.2.6���^�M���cǷ�M�ϡ�70

3.3�����֌��F(xi��n)��ȌW�����TensorPy��71

3.3.1�����F(xi��n)Ӌ��D��71

3.3.2�����F(xi��n)Session ����74

3.3.3�����F(xi��n)��֪��ǰ������㷨��76

3.3.4�����F(xi��n)����(sh��)�pʧ��79

3.3.5�����F(xi��n)�ݶ��½��㷨�c��������㷨��81

3.3.6�����F(xi��n)���Ӹ�֪����86

3.4��TensorFlow ���顡89

3.4.1��TensorFlow ���b�c��B��89

3.4.2��TensorFlow �������90

3.4.3��TensorFlow ���F(xi��n)���Ӹ�֪����91

3.4.4��TensorBoard ��ҕ����93

3.4.5��TensorFlow ģ�ͱ��淽����98

3.5���Y��99

��4���� ���R���Ɍ����W(w��ng)�j��101

4.1��ʲô�����Ɍ����W(w��ng)�j��101

4.1.1��ʲô��GAN��101

4.1.2��GAN ʹ�÷�����103

4.2��GAN ����ԭ����104

4.2.1��GAN ģ��Ԕ�顡104

4.2.2�������ı��|��106

4.3��TensorFlow ���F(xi��n)����GAN��108

4.3.1������GAN ����MNIST

��(sh��)��(j��)����108

4.3.2��Ӗ���cЧ��չʾ��114

4.4���P��GAN �Ďׂ����}��117

4.4.1����ʲô������G ���ɔ�(sh��)��(j��)��Ҫ�Єe��D ���롡117

4.4.2����ʲô�Єe��D ���Լ�

���ɔ�(sh��)��(j��)��120

4.4.3����ʲô�x��GAN��121

4.5���Y��122

��5���� ���Ɍ����W(w��ng)�j�Ĕ�(sh��)�Wԭ����123

5.1���M���挍�ֲ���123

5.1.1��*����Ȼ��Ӌ��123

5.1.2��*����Ȼ��Ӌ�M�Ϸֲ���125

5.1.3��*����Ȼ��Ӌ�cKLɢ�ȵ��Pϵ��126

5.2�����Ɍ����W(w��ng)�j��127

5.2.1���������M�Ϸֲ���127

5.2.2���Єe��Ӌ��ֲ��IJ��128

5.2.3��GAN �Ĕ�(sh��)�W�ƌ���129

5.2.4��GAN �ı��|��131

5.3���y(t��ng)һ���F-GAN��134

5.3.1��f ɢ�ȡ�134

5.3.2��͹��ܗ��137

5.3.3��f ɢ���cGAN ֮�g���Pϵ��138

5.4��GAN Ӗ���^�̿�ҕ����139

5.5���Y��144

��6���� ���e���Ɍ����W(w��ng)�j��145

6.1�����R���e��(j��ng)�W(w��ng)�j��145

6.1.1��ʲô�Ǿ��e��(j��ng)�W(w��ng)�j��145

6.1.2��CNN �R�e�D���^�̡�147

6.1.3��CNN ���ĸ��151

6.2��TensorFlow ���F(xi��n)���e�W(w��ng)�j��154

6.2.1������CNN Ӌ��D��154

6.2.2��Ӗ��CNN �W(w��ng)�j��160

6.2.3��Dropout ������161

6.2.4��DCGAN��CNN �cGAN

�ЙC�Y�ϡ�162

6.2.5��Batch Normalization��164

6.3��TensorFlow ���F(xi��n)DCGAN �W(w��ng)�j��166

6.3.1��TensorFlow ���F(xi��n)DCGAN �������� .167

6.3.2��TensorFlow ���F(xi��n)DCGAN ��

�Єe����170

6.3.3���@�Üyԇ������171

6.3.4������DCGAN ���w��172

6.3.5��Ӗ��DCGAN��173

6.3.6��RussellCould ʹ�á�179

6.3.7���Y��չʾ��185

6.4���Y��189

��7���� �l���������ɾW(w��ng)�j��190

7.1����Ό��F(xi��n)�D���g�L���D�Q��190

7.1.1�����y(t��ng)��(j��ng)�W(w��ng)�j��ȱ�ݡ�190

7.1.2����ͨGAN ��ȱ�ݡ�191

7.2���l���������ɾW(w��ng)�j��192

7.2.1��GAN Ԕ�⡡192

7.2.2��CGAN Ӗ�����̡�193

7.3��ColorGAN ���F(xi��n)��194

7.3.1���������c�Єe���Ę�����194

7.3.2���D��(sh��)��(j��)�A̎����197

7.3.3��ColorGAN Ӗ���W����200

7.3.4��ColorGAN Ӗ���Y����203

7.3.5���D���D�D���ӑՓ��208

7.4�����F(xi��n)�����D�D��209

7.4.1������������209

7.4.2��fashion-mnist ��(sh��)��(j��)����210

7.4.3��FashionCGAN �Єe������������211

7.4.4��Ӗ��FashionCGAN��213

7.5�����F(xi��n)�����D�D��215

7.5.1��word2vec ���g��215

7.5.2��RNN��LSTM �cGRU��218

7.5.3��Skip-Thought Vector��223

7.5.4�����F(xi��n)Skip-Thought��226

7.5.5�����F(xi��n)�����D�D��234

7.6���Y��237

��8���� ѭ�h(hu��n)һ���ԡ�238

8.1���ԟo�O(ji��n)���ķ�ʽ���F(xi��n)�L���D�Q��238

8.2��CycleGAN��240

8.2.1��CycleGAN �ļܘ��cĿ�˺���(sh��)��241

8.2.2��CycleGAN ���ĸ�׃��243

8.2.3��TensorFlow ���F(xi��n)CycleGAN�������c�Єe����251

8.2.4��TensorFlow ��cӖ��CycleGAN��254

8.2.5��Ч��չʾ��258

8.3��StarGAN��262

8.3.1��StarGAN �ĽY���cĿ�˺���(sh��)��262

8.3.2��TensorFlow ����StarGANģ�͡�265

8.3.3������StarGAN �ēpʧ��268

8.3.4��Ч��չʾ��272

8.4���Z�x��ʽ��׃�ĈD������D�Q��275

8.4.1��Domain Transfer Network��B��276

8.4.2��DTN ���a�Y����278

8.4.3��XGAN ��B��283

8.5���Y��287

��9���� ���M���Ɍ����W(w��ng)�j��289

9.1�����y(t��ng)GAN ���ڵĆ��}��289

9.1.1���ݶ���ʧ��289

9.1.2��ģʽ������293

9.2��Wasserstein GAN��295

9.2.1��EM ���x��295

9.2.2��EM ���xʹ����GAN �ϡ�298

9.2.3��EM ���x�c�Єe�����Pϵ��299

9.2.4��TensorFlow ���F(xi��n)WGAN��302

9.3��Improved WGAN��WGAN-GP����306

9.3.1��WGAN ���ڵĆ��}��306

9.3.2��gradient penalty��308

9.3.3��TensorFlow ���F(xi��n)WGAN-GP��310

9.4��SN-GAN��314

9.4.1��SN-GAN ��B��314

9.4.2��Spectral Normalization�����cSN-GAN��315

9.4.3��TensorFlow ���F(xi��n)SNGAN��321

9.5���Y��326

�ڡ�10 �� �u������ʽ���Ɍ����W(w��ng)�j��327

10.1���ѯBʽ���Ɍ����W(w��ng)�jStackGAN��327

10.1.1��StackGAN-v1��327

10.1.2����P����330

10.1.3��StackGAN-v2��333

10.1.4��TensorFlow ���F(xi��n)StackGAN-v2��335

10.2��TensorFlow ��(sh��)��(j��)̎����348

10.2.1��placeholder �xȡ��(sh��)��(j��)��348

10.2.2��Queue ��ʽ�xȡ��(sh��)��(j��)��348

10.2.3��tf.data �xȡ��(sh��)��(j��)��353

10.3���u�����L���Ɍ����W(w��ng)�jPGGAN .

10.3.1��PGGAN ��B��355

10.3.2��PGGAN �ĸ��M�c��356

10.3.3��TensorFlow ���F(xi��n)PGGAN��361

10.4���Y��369

�ڡ�11 �� GAN �M�������W����370

11.1�������Ɣࡡ370

11.1.1��׃���Ɣ�˼�롡371

11.1.2��ƽ������372

11.2��InfoGAN��375

11.2.1����(sh��)��(j��)�����c����Ϣ��376

11.2.2��InfoGAN ��(sh��)�Wԭ���cģ�ͽY����377

11.2.3��TensorFlow ���F(xi��n)InfoGAN��381

11.2.4��ʹ��InfoGAN ���ɈD��385

11.3��VAE-GAN��390

11.3.1��AutoEncoder �Ծ��a����390

11.3.2��׃���Ծ��a����392

11.3.3����(sh��)�W�Ƕȿ�VAE��394

11.3.4��TensorFlow ���F(xi��n)VAE��400

11.3.5��VAE �cGAN �ĽY���wVAE-GAN��405

11.3.6��TensorFlow ���F(xi��n)VAE-GAN��407

11.4���Y��414

�ڡ�12 �� GAN ��NLP �е��\�á�415

12.1��GAN ���ı������������ľ���415

12.2��GAN �����xɢ��(sh��)��(j��)�ķ�����418

12.2.1���Єe��ֱ�ӫ@ȡ��������ݔ����418

12.2.2��Gumbel-softmax��420

12.3�������W��������422

12.3.1�������W���㷨��423

12.3.2��Policy Gradient��424

12.3.3��GAN RL �������ı����ɡ�428

12.3��SeqGAN��429

12.3.1��SeqGAN �Y���c�㷨��429

12.3.2��Highway Network��432

12.3.3��SeqGAM �������crollout�Y�����F(xi��n)��434

12.3.4��SeqGAN ��Ŀ��LSTM �c�Єe���Č��F(xi��n)��445

12.3.5��SeqGAN ���������c�Єe���AӖ����453

12.3.6��SeqGAN ����Ӗ����459

12.4��MaskGAN��461

12.4.1��MaskGAN �Y���c�㷨��461

12.4.2��TensorFlow ���F(xi��n)MaskGAN ���������c�Єe����465

12.4.3��TensorFlow ���F(xi��n)MaskGAN ��Actor-Critic �cĿ�˺���(sh��)��472

12.4.4��TensorFlow ���F(xi��n)MaskGAN �ĽY���cӖ��߉݋��476

12.5���Y��480

չ�_ȫ��

����\��GAN���Ɍ����W(w��ng)�j ԭ�������cTensorFlow���` ���ߺ���

��ï�ģ��Α�AI�о��T���߼����̎����Ї��˹����܌W���߼����T���о��dȤ����Ȼ�Z��̎�������Ɍ����W(w��ng)�j���Α�AI�������c��헙C���W���Ŀ�� ��־�꣺�߼����̎�����ɽ��W���A�WԺ“�����Ǹɽ̎�”���Ї��˹����܌W���߼����T���Ї�Ӌ��C�W�����T���о��dȤ��C���W������ȌW������“(li��n)�W(w��ng)�����ֺͅ��cʡ�м���У���Ŀ10������������֏V�|ʡ��ͨ��У���ꄓ(chu��ng)���˲��Ŀ���������a(ch��n)�W�����f(xi��)ͬ�����Ŀ��һ����l(f��)��Փ��18ƪ������SCI��EI����������ڿ�12ƪ����һ����Փ�ī@�ñ�������ڿ���(y��u)��Փ�����|ݸ��Ӌ��C�W����(y��u)��Փ������Ո�l(f��)���������������͌�����8����������ڙ�3����@��ܛ��������3����ѳ���̲�3����ָ���W���@�Ç��Ҽ���ʡ����ِ���50�������Ϋ@�Ç��Ҽ���ʡ����(y��u)��ָ���̎�����

��Ʒ�uՓ(0�l)
���o�uՓ����
�������]
��݋���]
����픲�
�ЈD�W(w��ng)
�ھ��ͷ�