《GANs in action》读书笔记--零

关于本书

获取本书正版图书途径（支持正版）GANs in action。

本书旨在为任何有兴趣学习GANs的读者提供权威的指导。本书从介绍简单的例子开始，逐步介绍一些最具创新性的GAN实现和应用。通过提供这些进展背后的直观表示本书使得最前沿的研究触手可得，同时也提供了所有必要的数学和理论基础知识。
本书的最终目标是提供必要的知识以及工具，不仅仅是介绍迄今为止在GAN中已经完成的工作，也会帮助读者去发现自己的应用场景。

本书受众（who should read this book）

本书适合有一些机器学习和神经网络相关基础的读者。尽管作者会尽量解释大多数的知识，但是以下列出来的清单，读者至少要了解其中的七成。

• 了解python。不需要十分精通，但至少有一些python项目的使用经验。（理想状态是全职数据科学家或软件工程师）
• 了解面向对象编程。
• 了解机器学习的基础知识。
• 了解基本的统计学和演算，例如概率，密度函数，概率分布，微分和简单优化。
• 了解基础的线性代数。
• 了解深度学习的基础知识。
• 基本熟悉基于Python的机器学习库Keras。
  为确保可以更好的学习本书，建议读者了解以上的清单中的大部分知识。

关于代码（about the code）

本书包含许多源代码示例。本书源代码下载code。

本书使用jupyter notebook，某些章节也使用谷歌免费平台Google Colaboratory notebooks。

学习路线图（How this book is organized: a roadmap）

本书致力于平衡理论和实战。本书由三个部分组成：

Part1： 介绍GANs和生成模型
第一部分介绍了生成式学习和GAN的基本概念，并实现了最典型的GAN变体：

• 第一章：“GANs简介” —— 介绍生成对抗网络并且对工作机制做了详细解释。读者将会学习到，GANs由两个独立的神经网络组成，并且网络通过动态竞争得到训练。在本章学到的知识将为学习其他章节打下基础。
• 第二章：“通过介绍自动编码器入门生成模型建模”——本书讨论的自动编码器在很多方面可以看作是GANs的前身。鉴于生成学习的相对新颖性，我们决定包括可以帮助在更广泛背景下设置GANs的一章。 本章还包含第一个代码教程，我们将在其中构建一个变体自动编码器以生成手写数字，这与在后面几章的GAN教程中将探索的任务相同。但是，如果读者对自动编码器十分熟悉或者想直接学习GANs的部分，大可放心跳过此章节。
• 第三章：“你的第一个GAN：生成手写数字”——本章将更深入地研究GANs和对抗性学习背后的理论。本章将探索GANs和传统神经网络之间的关键差别：即，探讨在他们的损失函数和训练过程中的一些差别。在本章结尾的编码教程中将会应用所学到的知识，应用keras实现GAN并且训练其生成手写数字。
• 第四章：“深度卷积GAN”——本章介绍卷积神经网络以及批量归一化（BN）。然后，实现深度卷积GAN（DCGAN），这是一种先进的GAN架构，它使用卷积网络作为生成器和鉴别器，并利用BN来稳定训练过程。

Part2： GANs中的高级主题
在此基础上，我们将更深入地研究GAN的基础理论，并实现一系列高级GAN架构：

• 第五章：“训练和共同挑战”——本章讨论了很多训练GANs中的理论和实践难题以及如何克服他们。本章基于相关学术论文和报告，提供一个比较全面的关于训练GAN的最好的例子的综述。同时也涵盖了评估GAN性能的各种方法以及需要考虑评估问题的原因。
• 第六章：“渐进式增长GANs”——本章讨论了ProGAN，这是GAN的前沿先进的方法（注：如今在改进ProGAN的基础上发展到了styleGAN及其改进版styleGAN2）。
• 第七章：“半监督GAN”——本章将基于core GAN模型继续探讨创新性。读者将了解到通过半监督学习仅使用一小部分带标签的训练样本来提高分类准确性的巨大实际意义。随后，本章实现半监督GAN并且解释它如何使用标签将判别器变成强有力的多分类器。
• 第八章：“CGAN”——本章提出另一种在训练中使用标签的GAN架构：条件GAN（CGAN）。CGAN解决了生成建模的主要缺点之一——无法明确指定要合成的样本，方法是在训练其生成器和判别器时使用标签或其他条件信息。 在本章的最后，我们实现了一个CGAN以直接查看目标数据。
• 第九章：“CycleGAN”——本章讨论最有趣的GAN架构之一：CycleGAN。此技术可用于将一个图像转换为另一个图像，例如将马的照片变成斑马的照片。 我们将介绍CycleGAN架构，并解释其主要组件和创新。 编码教程中，我们用CycleGAN将苹果转换成橙子，反之亦然。

Part3： GANs该往何处去
本部分讨论如何以及在何处应用GANs和对抗学习的知识。

• 第十章：“对抗性样本”
• 第十一章：“GANs的实际应用”
• 第十二章：“未来展望”——通过总结关键要点并讨论GAN的道德考量，本章总结了学习过程。 对于那些有兴趣继续探索本书以外的领域的人，本章还提到了新兴的GAN技术。