幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

生成對抗網路(原理及圖像處理應用)/人工智慧前沿理論與技術應用叢書

  • 作者：編者:朱秀昌//唐貴進|責編:王群
  • 出版社：電子工業
  • ISBN：9787121439551
  • 出版日期：2022/08/01
  • 裝幀：平裝
  • 頁數：268
人民幣：RMB 109 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書深入淺出地介紹了近年來AI領域中十分引人注目的新型人工神經網路——生成對抗網路（GAN）的基本原理、網路結構及其在圖像處理領域中的應用；同時，分析了近年來在GAN訓練、GAN質量評估及多種改進型GAN方面取得的進展；在實踐方面，給出了基於Python的基本GAN編程實例。另外，本書還介紹了支撐GAN模型的基礎理論和相關演算法，以使讀者更好地理解和掌握GAN技術。
    本書既可作為高校電子類、電腦類學科的教材，也可供IT行業的技術人員及對人工智慧感興趣的研究人員閱讀和參考。
作者介紹
編者:朱秀昌//唐貴進|責編:王群
目錄
第1章  緒論
  1.1  從圖像處理到數字視覺
    1.1.1  數字圖像技術
    1.1.2  數字視覺技術
    1.1.3  數字視覺的應用
  1.2  神經網路由淺入深
    1.2.1  神經網路的發展
    1.2.2  深度神經網路
    1.2.3  深度學習的進展
  1.3  從概率生成到對抗生成
    1.3.1  概率生成模型
    1.3.2  概率分佈比較
    1.3.3  對抗生成模型
  1.4  GAN的應用
    1.4.1  在圖像領域中的應用
    1.4.2  在其他領域中的應用
第2章  數字圖像處理
  2.1  數字圖像基礎
    2.1.1  圖像的數學表示
    2.1.2  圖像的數字化
    2.1.3  數字圖像的表示
    2.1.4  圖像的解析度
  2.2  傳統數字圖像處理
    2.2.1  圖像採集和壓縮
    2.2.2  圖像去噪和濾波
    2.2.3  圖像增強和複原
    2.2.4  圖像分割
    2.2.5  圖像特徵提取和目標檢測
    2.2.6  圖像變換和超解析度重建
  2.3  ANN圖像處理
    2.3.1  圖像分類
    2.3.2  目標檢測與跟蹤
    2.3.3  語義分割和實例分割
    2.3.4  圖像生成
  2.4  常用的圖像數據集
第3章  人工神經網路
  3.1  ANN簡介
    3.1.1  從生物到人工神經元
    3.1.2  從感知機到神經網路
    3.1.3  從淺層到深度
    3.1.4  ANN的特點和應用
  3.2  常見的ANN類型
    3.2.1  RBF網路
    3.2.2  ART網路
    3.2.3  SOM網路
    3.2.4  波爾茲曼機
    3.2.5  級聯相關網路
  3.3  ANN的關鍵技術
    3.3.1  網路類型
    3.3.2  網路訓練

    3.3.3  激活函數
    3.3.4  驗證和泛化
  3.4  BP演算法
    3.4.1  數據的正向傳播
    3.4.2  誤差的反向傳播
    3.4.3  BP演算法流程
    3.4.4  BP演算法的幾個問題
  3.5  ANN的學習方式
    3.5.1  有監督學習
    3.5.2  無監督學習
    3.5.3  半監督學習
    3.5.4  強化學習
第4章  GAN中常用的ANN
  4.1  卷積神經網路
    4.1.1  CNN的結構
    4.1.2  CNN的核心技術
    4.1.3  CNN的訓練和改進
    4.1.4  CNN一例
    4.1.5  圖像卷積
  4.2  循環神經網路
    4.2.1  RNN的結構
    4.2.2  RNN與CNN的比較
  4.3  變分自編碼器
    4.3.1  自編碼器
    4.3.2  VAE概述
  4.4  深度殘差網路
    4.4.1  深度網路的困境
    4.4.2  殘差塊結構
    4.4.3  殘差塊的作用
    4.4.4  ResNet的誤差反傳
第5章  相關演算法
  5.1  和圖像處理有關的演算法
    5.1.1  分類演算法
    5.1.2  聚類演算法
    5.1.3  降維演算法
    5.1.4  遷移學習
    5.1.5  馬爾可夫鏈和HMM
  5.2  和函數優化有關的演算法
    5.2.1  最小二乘法
    5.2.2  梯度下降法
    5.2.3  EM演算法
第6章  GAN基礎
  6.1  GAN概要
    6.1.1  GAN的數據生成
    6.1.2  GAN的網路結構
    6.1.3  GAN的優勢和不足
  6.2  數據分佈及其轉換
    6.2.1  圖像數據的高維分佈
    6.2.2  隱變數和隱空間
    6.2.3  分佈函數的轉換

  6.3  生成模型與判別模型
    6.3.1  生成模型
    6.3.2  判別模型
    6.3.3  生成模型和判別模型的關係
  6.4  GAN的工作過程
    6.4.1  納什均衡
    6.4.2  對抗訓練
    6.4.3  訓練流程
第7章  GAN的目標函數
  7.1  數據的信息熵
    7.1.1  隨機變數
    7.1.2  信息量和信息熵
    7.1.3  交叉熵
  7.2  數據分佈的差異：散度
    7.2.1  KL散度
    7.2.2  JS散度
    7.2.3  f散度
  7.3  GAN目標函數及其優化
    7.3.1  目標函數
    7.3.2  判別器優化
    7.3.3  生成器優化
第8章  GAN的訓練
  8.1  GAN訓練中常見的問題
    8.1.1  收斂不穩定問題
    8.1.2  梯度消失問題
    8.1.3  模式崩潰問題
  8.2  提升GAN訓練的穩定性
    8.2.1  選擇恰當的網路模型
    8.2.2  選擇恰當的目標函數
    8.2.3  選擇恰當的優化演算法
  8.3  GAN訓練中的常用技巧
    8.3.1  數據規範化
    8.3.2  學習率衰減
    8.3.3  丟棄技術
    8.3.4  批量規範化
    8.3.5  激活函數的選擇
第9章  GAN的改進
  9.1  GAN的改進之路
  9.2  C GAN和info GAN
    9.2.1  C GAN
    9.2.2  info GAN
  9.3  DC GAN
  9.4  W GAN
  9.5  Big GAN
第10章  GAN的圖像處理應用
  10.1  圖像生成
    10.1.1  圖像生成的三種方式
    10.1.2  幾種特殊的圖像生成
  10.2  圖像超解析度重建
  10.3  圖像修復

  10.4  圖像翻譯
    10.4.1  圖像至圖像的翻譯
    10.4.2  文本至圖像的翻譯
  10.5  圖像風格遷移
  10.6  視頻預測
第11章  GAN的Python編程
  11.1  Python編程語言
    11.1.1  Python簡介
    11.1.2  Python的特點
    11.1.3  Python的應用
  11.2  常見的Python集成開發環境
  11.3  深度學習框架
    11.3.1  主流的深度學習框架
    11.3.2  主流學習框架的比較
  11.4  TensorFlow中的GAN編程
    11.4.1  張量和張量流
    11.4.2  Python的TensorFlow庫
    11.4.3  TensorFlow的常用模塊
第12章  GAN圖像處理實例
  12.1  1維GAN編程
    12.1.1  1維GAN小程序
    12.1.2  數據對齊
    12.1.3  訓練中的幾個問題
  12.2  MNIST手寫數字的生成
    12.2.1  GAN模型的訓練程序
    12.2.2  GAN模型的生成程序
    12.2.3  訓練程序的圖解
    12.2.4  生成程序的圖解
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032