0.md

零、前言

生成对抗网络（GAN）具有建立下一代模型的潜力，因为它们可以模拟任何数据分布。 由于它是机器学习（ML）增长最快的领域之一，因此正在该领域进行重大研究和开发工作。 当您在 GAN 域中构建八个端到端项目时，本书将测试训练神经网络的无监督技术。

“生成对抗网络项目”首先介绍了用于构建高效项目的概念，工具和库。 您还将在本书的不同项目中使用各种数据集。 在每一章中，复杂性和操作的水平都会提高，从而帮助您掌握 GAN 域。

您将介绍 3D-GAN，DCGAN，StackGAN 和 CycleGAN 等流行的方法，并且您将通过它们的实际实现来理解生成模型的架构和功能。

到本书结尾，您将准备在工作中或项目中建立，训练和优化自己的端到端 GAN 模型。

这本书是给谁的

如果您是数据科学家，ML 开发人员，深度学习从业人员或 AI 爱好者，并且正在寻找项目指南以测试您在构建现实 GAN 模型中的知识和专长，那么该书适合您。

本书涵盖的内容

第 1 章，“生成对抗网络”的介绍始于 GAN 的概念。 读者将学习什么是判别器，什么是生成器以及什么是博弈论。 接下来的几个主题将涵盖生成器的结构，判别器的结构，生成器和判别器的目标函数，GAN 的训练算法，Kullback-Leibler 和 Jensen-Shannon 散度，GAN 的评估矩阵，GAN 的不同问题， GAN 中梯度消失和爆炸，纳什均衡，批量规范化和正则化的问题。

第 2 章，“3D-GAN – 使用 GAN 生成形状”首先简要介绍 3D-GAN 和各种架构细节。 在本章中，我们将训练 3D-GAN 生成真实世界的 3D 形状。 我们编写代码来收集 3D Shapenet 数据集，对其进行清理并使其经过训练。 然后，我们将使用 Keras 深度学习库为 3D-GAN 编写代码。

第 3 章，“使用条件 GAN 进行人脸老化”，向读者介绍了条件生成对抗网络（cGAN）和 Age-cGAN。 我们将学习数据准备中的不同步骤，例如下载，清理和格式化数据。 我们将使用 IMDb Wiki 图像数据集。 我们将使用 Keras 框架为 Age-cGAN 编写代码。 接下来，我们将在 IMDb Wiki 图像数据集上训练网络。 最后，我们将使用年龄作为条件参数的训练模型来生成图像，而训练后的模型将针对不同年龄的人的人脸生成图像。

第 4 章，“使用 DCGAN 生成动漫角色”从 DCGAN 的介绍开始。 我们将学习数据准备中的不同步骤，例如收集动漫角色数据集，清理数据集并准备进行训练。 我们将在 Jupyter 笔记本中介绍 DCGAN 的 Keras 实现。 接下来，我们将学习训练 DCGAN 的不同方法，并为其选择不同的超参数。 最后，我们将使用训练有素的模型生成动漫角色。 另外，我们将讨论 DCGAN 的实际应用。

第 5 章，“使用 SRGAN 生成逼真的图像”解释了如何训练 SRGAN 生成逼真的图像。 训练过程的第一步是收集数据集，然后清理它并格式化以进行训练。 读者将学习从何处收集数据集，如何清理数据集以及如何将其转换为可用于训练的格式。

第 6 章， “StackGAN – 逼真的文本到图像合成”，本章将首先介绍 StackGAN。 数据收集和数据准备是重要的步骤，我们将学习收集数据集，清理数据集并格式化以进行训练的过程。 我们将在 Jupyter 笔记本内的 Keras 中为 StackGAN 编写代码。 接下来，我们将在 CUB 数据集上训练网络。 最后，在完成模型训练后，我们将从文本描述中生成逼真的图像。 我们将讨论 StackGAN 的不同行业应用以及如何在生产中部署它们。

第 7 章， “CycleGAN – 将绘画变成照片”，介绍了如何训练 CycleGAN 来将画作变成照片。 我们将首先介绍 CycleGAN，并研究它们的不同应用。 我们将介绍不同的数据收集，数据清理和数据格式化技术。 接下来，我们将编写 CycleGAN 的 Keras 实现，并在 Jupyter 笔记本中获得有关代码的详细说明。 我们将在准备好的数据集上训练 CycleGAN。 我们将测试我们训练有素的模型，以将绘画转换为照片。 最后，我们看一下 CycleGAN 的实际应用。

第 8 章，“条件 GAN – 使用条件对抗网络进行图像到图像的翻译”，介绍了如何训练条件 GAN 进行图像到图像的翻译。 我们将首先介绍条件 GAN 和不同的数据准备技术，例如数据收集，数据清理和数据格式化。 接下来，我们将在 Jupyter 笔记本的 Keras 中编写条件 GAN 的代码。 接下来，我们学习如何在已经准备好的数据集上训练条件 GAN。 我们将探索不同的超参数进行训练。 最后，我们将测试条件 GAN，并讨论实际应用中图像到图像转换的不同用例。

第 9 章，“预测 GAN 的未来”，是最后一章。 在介绍了 GAN 的基础知识并完成了六个项目之后，本章将使读者了解 GAN 的未来。 在这里，我们将研究在过去的 3-4 年中，GAN 的采用取得了惊人的成就，以及该行业对它的接受程度。 我还将讨论我对 GAN 未来的个人看法。

充分利用这本书

熟悉深度学习和 Keras，并且需要一些先验知识 TensorFlow。 使用 Python3 进行编码的经验会很有用。

下载示例代码文件

您可以从 www.packt.com 的帐户中下载本书的示例代码文件。 如果您在其他地方购买了此书，则可以访问 www.packt.com/support 并注册以将文件直接通过电子邮件发送给您。

您可以按照以下步骤下载代码文件：

1. 登录或注册 www.packt.com 。
2. 选择支持标签。
3. 单击代码下载&勘误表。
4. 在搜索框中输入书籍的名称，然后按照屏幕上的说明进行操作。

下载文件后，请确保使用以下最新版本解压缩或解压缩文件夹：

• Windows 的 WinRAR/7-Zip
• Mac 的 Zipeg/iZip/UnRarX
• Linux 的 7-Zip/PeaZip

本书的代码包也托管在 GitHub 上。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。

在这个页面中，我们还提供了丰富的图书和视频目录中的其他代码包。 去看一下！

使用约定

本书中使用了许多文本约定。

CodeInText：表示文本中的词，数据库表名称，文件夹名称，文件名，文件扩展名，路径名，伪 URL，用户输入和 Twitter 句柄。 这里是一个示例：“ 使用 scipy 中的 loadmat() 函数来检索 voxels。”

代码块设置如下：

import scipy.io as io
voxels = io.loadmat("path to .mat file")['instance']

任何命令行输入或输出的编写方式如下：

pip install -r requirements.txt

粗体：表示您在屏幕上看到的新术语，重要单词或顺序。

Warnings or important notes appear like this.Tips and tricks appear like this.