دانلود کتاب Generative Adversarial Networks Cookbook: Over 100 recipes to build generative models using Python, TensorFlow, and Keras (به فارسی: کتاب آشپزی Generative Adversarial Networks: بیش از 100 دستور العمل برای ساخت مدل های مولد با استفاده از Python، TensorFlow و Keras) نوشته شده توسط «Josh Kalin»
اطلاعات کتاب کتاب آشپزی Generative Adversarial Networks: بیش از 100 دستور العمل برای ساخت مدل های مولد با استفاده از Python، TensorFlow و Keras
موضوع اصلی: کامپیوتر – علوم کامپیوتر
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Josh Kalin
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2018
تعداد صفحه: 268 / 261
حجم فایل: 8.77 مگابایت
کد کتاب: 1789139902 , 9781789139907
نوبت چاپ: 1
توضیحات کتاب کتاب آشپزی Generative Adversarial Networks: بیش از 100 دستور العمل برای ساخت مدل های مولد با استفاده از Python، TensorFlow و Keras
یادگیری عمیق نسل بعدی را با پیاده سازی مدل های قدرتمند تولیدی با استفاده از Python، TensorFlow و Keras ساده کنید
ویژگی های کلیدی
• معماری رایج انواع مختلف GAN ها را درک کنید
• آموزش، بهینه سازی و استقرار برنامه های GAN با استفاده از TensorFlow و Keras
• ساخت مدل های تولیدی با مجموعه داده های دنیای واقعی، از جمله داده های دو بعدی و سه بعدی
توضیحات کتاب
توسعه شبکه‌های متخاصم مولد (GAN) یک کار پیچیده است و اغلب به سختی می‌توان کدی را پیدا کرد که درک آن آسان باشد.
این کتاب شما را از طریق هشت نمونه مختلف از پیاده سازی مدرن GAN، از جمله CycleGAN، simGAN، DCGAN، و تصویر 2 بعدی به تولید مدل سه بعدی راهنمایی می کند. هر فصل حاوی دستور العمل های مفیدی برای ایجاد معماری رایج در Python، TensorFlow و Keras است تا معماری های GAN که به طور فزاینده ای دشوارتر هستند را در قالبی خوانا بررسی کنند. این کتاب با پوشش انواع مختلف معماری GAN شروع می شود تا به شما در درک نحوه عملکرد مدل کمک کند. این کتاب همچنین حاوی دستور العمل های بصری است که به شما کمک می کند با موارد استفاده از DCGAN، Pix2Pix و غیره کار کنید. برای درک این برنامه‌های پیچیده، مجموعه‌های مختلف داده‌های دنیای واقعی را می‌گیرید و از آنها استفاده می‌کنید.
تا پایان این کتاب، به لطف راه‌حل‌های کد ساده که می‌توانید فوراً پیاده‌سازی کنید، برای مقابله با چالش‌ها و مسائلی که ممکن است هنگام کار با مدل‌های GAN با آنها مواجه شوید، مجهز خواهید شد.
آنچه خواهید آموخت
• ساختار یک معماری GAN در شبه کد
• معماری مشترک برای هر یک از مدل های GAN را که می سازید درک کنید
• معماری های مختلف GAN را در TensorFlow و Keras
پیاده سازی کنید
• از مجموعه داده های مختلف برای فعال کردن عملکرد شبکه عصبی در مدل های GAN استفاده کنید
• مدل های مختلف GAN را ترکیب کنید و نحوه تنظیم دقیق آنها را بیاموزید
• مدلی تولید کنید که بتواند تصاویر دو بعدی بگیرد و مدل های سه بعدی تولید کند
• یک GAN برای انجام انتقال سبک با Pix2Pix
ایجاد کنید
این کتاب برای چه کسانی است
این کتاب برای دانشمندان داده، توسعه دهندگان یادگیری ماشین و متخصصان یادگیری عمیق است که به دنبال مرجعی سریع برای مقابله با چالش ها و وظایف در حوزه GAN هستند. آشنایی با مفاهیم یادگیری ماشین و دانش کاری زبان برنامه نویسی پایتون به شما کمک می کند تا از کتاب بیشترین بهره را ببرید.
Key Features
• Understand the common architecture of different types of GANs
• Train, optimize, and deploy GAN applications using TensorFlow and Keras
• Build generative models with real-world data sets, including 2D and 3D data
Book Description
Developing Generative Adversarial Networks (GANs) is a complex task, and it is often hard to find code that is easy to understand.
This book leads you through eight different examples of modern GAN implementations, including CycleGAN, simGAN, DCGAN, and 2D image to 3D model generation. Each chapter contains useful recipes to build on a common architecture in Python, TensorFlow and Keras to explore increasingly difficult GAN architectures in an easy-to-read format. The book starts by covering the different types of GAN architecture to help you understand how the model works. This book also contains intuitive recipes to help you work with use cases involving DCGAN, Pix2Pix, and so on. To understand these complex applications, you will take different real-world data sets and put them to use.
By the end of this book, you will be equipped to deal with the challenges and issues that you may face while working with GAN models, thanks to easy-to-follow code solutions that you can implement right away.
What you will learn
• Structure a GAN architecture in pseudocode
• Understand the common architecture for each of the GAN models you will build
• Implement different GAN architectures in TensorFlow and Keras
• Use different datasets to enable neural network functionality in GAN models
• Combine different GAN models and learn how to fine-tune them
• Produce a model that can take 2D images and produce 3D models
• Develop a GAN to do style transfer with Pix2Pix
Who this book is for
This book is for data scientists, machine learning developers, and deep learning practitioners looking for a quick reference to tackle challenges and tasks in the GAN domain. Familiarity with machine learning concepts and working knowledge of Python programming language will help you get the most out of the book.
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.