Генеративное глубокое обучение. Творческий потенциал нейронных сетей

Description

Титульный лист Выходные данные Краткое содержание Оглавление Предисловие Цели и подходы Уровень подготовки Прочие ресурсы Типографские соглашения Использование программного кода примеров Благодарности От издательства Часть I. Введение в генеративное глубокое обучение Глава 1. Генеративное моделирование Что такое генеративное моделирование? Генеративное и дискриминативное моделирование Достижения в машинном обучении Появление генеративного моделирования Основа для генеративного моделирования Вероятностные генеративные модели Привет, Ирм! Ваша первая вероятностная генеративная модель Наивная байесовская параметрическая модель Привет, Ирм! Продолжение Сложности генеративного моделирования Обучение представлению Настройка окружения Итоги Глава 2. Глубокое обучение Структурированные и неструктурированные данные Глубокие нейронные сети Keras и TensorFlow Ваша первая глубокая нейронная сеть Загрузка данных Конструирование модели Компиляция модели Обучение модели Оценка модели Улучшение модели Сверточные слои Пакетная нормализация Слои прореживания Соединяем все вместе Итоги Глава 3. Вариационные автокодировщики Художественная выставка Автокодировщики Ваш первый автокодировщик Кодировщик Декодировщик Объединение кодировщика и декодировщика Анализ автокодировщика Выставка вариационного искусства Конструирование вариационного автокодировщика Кодировщик Функция потерь Анализ вариационного автокодировщика Использование вариационного автокодировщика для генерации изображений лиц Обучение VAE Анализ вариационного автокодировщика Генерирование новых лиц Арифметика скрытого пространства Преобразование одного лица в другое Итоги Глава 4. Генеративно-состязательные сети Ганимал Введение в генеративно-состязательные сети Ваша первая генеративно-состязательная сеть Дискриминатор Генератор Обучение генеративно-состязательной сети Проблемы генеративно-состязательных сетей Колебания потерь Коллапс модели Неинформативные потери Гиперпараметры Решение проблем генеративно-состязательных сетей Генеративно-состязательные сети с функцией потерь Вассерштейна Функция потерь Вассерштейна Ограничение Липшица Усечение весов Обучение WGAN Анализ WGAN WGAN-GP Функция потерь штрафа за градиент Анализ WGAN-GP Итоги Часть II. Учим машины рисовать, писать, сочинять музыку и играть в игры Глава 5. Рисование Яблоки и апельсины CycleGAN Ваша первая сеть CycleGAN Обзор Генераторы (U-Net) Дискриминаторы Компиляция CycleGAN Обучение CycleGAN Анализ CycleGAN CycleGAN, рисующая в стиле Моне Генераторы (ResNet) Анализ CycleGAN Нейронный перенос стиля Потеря содержимого Потеря стиля Потеря общей дисперсии Запуск нейронного переноса стиля Анализ модели нейронного переноса стиля Итоги Глава 6. Литературное творчество Литературное общество для проблемных правонарушителей Сети с долгой краткосрочной памятью Ваша первая сеть LSTM Лексемизация Создание набора данных Архитектура модели LSTM Слой Embedding Слой LSTM Ячейка LSTM Генерирование нового текста Расширения RNN Многослойные рекуррентные сети Управляемые рекуррентные блоки Двунаправленные ячейки Модели кодировщик-декодировщик Генератор вопросов и ответов Набор данных с вопросами и ответами Архитектура модели Вычисление результатов Результаты моделирования Итоги Глава 7. Сочинение музыки Вступление Нотная запись Ваша первая сеть RNN для генерирования музыки Внимание Конструирование механизма внимания с помощью Keras Анализ сети RNN с механизмом внимания Механизм внимания в сетях типа кодировщик-декодировщик Генерирование полифонической музыки Музыкальный орган Ваша первая сеть MuseGAN Генератор MuseGAN Аккорды, стиль, мелодия и дорожки Генератор тактов Объединяем все вместе Критик Анализ сети MuseGAN Итоги Глава 8. Играем в игры Обучение с подкреплением OpenAI Gym Архитектура модели мира Вариационный автокодировщик Сеть MDN-RNN Контроллер Подготовка Обзор процесса обучения Сбор данных в ходе случайных прогонов Обучение VAE Архитектура VAE Анализ VAE Сбор данных для обучения RNN Обучение сети MDN-RNN Архитектура сети MDN-RNN Выборка следующего состояния и вознаграждения из MDN-RNN Функция потерь в MDN-RNN Обучение контроллера Архитектура контроллера CMA-ES Параллельное выполнение алгоритма CMA-ES Вывод контроллера в процессе обучения Обучение в мнимом окружении Обучение контроллера в мнимом окружении Недостатки обучения в мнимом окружении Итоги Глава 9. Будущее генеративного моделирования Пять лет прогресса Трансформер Позиционное кодирование Многоголовое внимание Декодировщик Анализ трансформера BERT GPT-2 MuseNet Достижения в генерировании изображений ProGAN Self-Attention GAN (SAGAN) BigGAN StyleGAN Области применения генеративного моделирования Изобразительное творчество искусственного интеллекта Музыкальное творчество искусственного интеллекта Глава 10. Заключение Об авторе Об обложке