Name: 动手实践生成对抗网络与PyTorch
Availability: InStock

动手实践生成对抗网络与PyTorch

生成对抗网络（GAN）是一类机器学习模型，能够生成与给定数据集相似的新数据。GAN包含两个神经网络：生成器和判别器。PyTorch是一种流行的深度学习框架，因其动态计算能力，在实现GAN方面具有高效性。本课程从介绍GAN的基本概念、激活函数以及模型训练的最佳实践开始。你将使用PyTorch构建你的第一个GAN，深入学习DCGAN和条件GAN。随后，你将掌握基于标签信息的图像生成、利用pix2pix和CycleGAN进行图像到图像的转换，以及图像修复技术。课程最后涵盖文本到图像合成、序列生成和3D模型重建等内容，帮助你全面理解GAN的应用。本课程旨在帮助开发者掌握先进的GAN与深度学习技能。通过PyTorch深入掌握GAN，你将能够应对图像处理、多媒体内容生成等多个领域的实际挑战。

13 Lessons

WHAT YOU'LL LEARN

了解 GAN 基础知识和 PyTorch 特性

使用 PyTorch 动手实践构建生成对抗网络（GAN）

熟练掌握模型设计与训练

了解对抗性学习以及攻破不同模型的方法

GAN在计算机视觉和自然语言处理等不同领域的应用

熟悉训练过程中的挑战、所需资源及其结果

了解 GAN 基础知识和 PyTorch 特性

Content

13 Lessons • 0 Quizzes • 0 Challenges

开始学习

1
课程介绍

生成对抗网络基础

1
机器学习基础
2
介绍对抗学习
3
用 NumPy 实现 GAN
4
生成对抗网络（GAN）能做什么？
5
测验：生成对抗网络基础

模型设计与训练的最佳实践

1
模型设计速查表
2
参数与损失函数
3
优化与学习率
4
Python中的高效编程
5
测验：模型设计与训练的最佳实践

使用 PyTorch 构建我们的第一个生成对抗网络（GAN）

1
深度卷积生成对抗网络简介
2
使用 PyTorch 创建 DCGAN
3
转向更大的数据集
4
玩转生成器网络
5
测验：使用 PyTorch 构建我们的第一个 GAN

根据标签信息生成图像

1
CGANs：标签是如何被使用的？
2
使用CGAN从标签生成图像
3
使用 Fashion-MNIST 数据集
4
InfoGAN——无监督属性提取
5
测验：基于标签信息生成图像

图像到图像的转换及其应用

1
使用像素级标签通过 pix2pix 实现图像翻译
2
pix2pix的训练与评估
3
Pix2pixHD：高分辨率图像翻译
4
CycleGAN：基于非配对数据集的图像到图像转换
5
测验：非配对数据集的图像到图像翻译

使用 GAN 进行图像修复

1
使用SRGAN进行图像超分辨率
2
训练SRGAN生成高分辨率图像
3
自定义卷积操作的多种实现方式（concept）
4
WGAN——理解Wasserstein距离
5
训练生成对抗网络（GAN）用于图像修复
6
测验：使用GAN进行图像修复

训练GAN以攻击不同模型

1
对抗样本：攻击深度学习模型
2
生成对抗样本：与分类器协同工作
3
测验：训练生成对抗网络（GAN）以攻破不同模型

根据描述文本生成图像

1
基于GAN的文本到图像生成
2
GAN 架构与训练
3
使用 StackGAN++ 生成逼真的图像
4
训练 StackGAN++ 以生成质量更高的图像
5
测验：根据描述文本生成图像

使用 GAN 进行序列合成

1
通过SeqGAN进行文本生成
2
创建训练用的词汇表
3
使用SEGAN进行语音质量增强
4
测验：使用GAN进行序列合成

使用生成对抗网络（GAN）重建三维模型

1
计算机图形学中的基本概念
2
设计用于3D数据生成的GAN
3
测验：使用生成对抗网络（GAN）重建3D模型

总结

1
结论

附录

1
TorchScript 模型追踪与保存
2
必需的下载内容
3
C++ 前端
4
CUDA—利用GPU加速实现快速训练与推理
5
在 Windows 和 Linux 上安装 PyTorch
6
查看GPU使用信息
7
到达 nn.PixelShuffle 的 C++ 源代码的步骤

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

动手实践生成对抗网络与PyTorch

WHAT YOU'LL LEARN

Content

1. 开始学习了解生成对抗网络（GANs）及其架构，并使用 PyTorch 进行动手实践应用。

课程介绍

2. 生成对抗网络基础了解 GAN 的原理、对抗过程、功能及其多样化的应用。

机器学习基础

介绍对抗学习

用 NumPy 实现 GAN

生成对抗网络（GAN）能做什么？

测验：生成对抗网络基础

3. 模型设计与训练的最佳实践动手实践GAN的设计与训练、参数优化以及Python高效编程。

模型设计速查表

参数与损失函数

优化与学习率

Python中的高效编程

测验：模型设计与训练的最佳实践

4. 使用 PyTorch 构建我们的第一个生成对抗网络（GAN）运用你的技能，使用 PyTorch 构建、训练并探索用于图像生成的 DCGAN。

深度卷积生成对抗网络简介

使用 PyTorch 创建 DCGAN

转向更大的数据集

玩转生成器网络

测验：使用 PyTorch 构建我们的第一个 GAN

5. 根据标签信息生成图像使用CGAN、Fashion-MNIST和InfoGAN解决生成带标签图像中的问题。

CGANs：标签是如何被使用的？

使用CGAN从标签生成图像

使用 Fashion-MNIST 数据集

InfoGAN——无监督属性提取

测验：基于标签信息生成图像

6. 图像到图像的转换及其应用掌握图像到图像翻译模型，包括 pix2pix、pix2pixHD 和 CycleGAN 的应用。

使用像素级标签通过 pix2pix 实现图像翻译

pix2pix的训练与评估

Pix2pixHD：高分辨率图像翻译

CycleGAN：基于非配对数据集的图像到图像转换

测验：非配对数据集的图像到图像翻译

7. 使用 GAN 进行图像修复练习使用 GAN 通过 SRGAN 和 WGAN 实现超分辨率、图像修复以及提升图像质量。

使用SRGAN进行图像超分辨率

训练SRGAN生成高分辨率图像

自定义卷积操作的多种实现方式（concept）

WGAN——理解Wasserstein距离

训练生成对抗网络（GAN）用于图像修复

测验：使用GAN进行图像修复

8. 训练GAN以攻击不同模型通过使用生成对抗网络（GAN）创建对抗样本，以挑战深度学习模型。

对抗样本：攻击深度学习模型

生成对抗样本：与分类器协同工作

测验：训练生成对抗网络（GAN）以攻破不同模型

9. 根据描述文本生成图像使用 GAN、先进架构和 StackGAN++ 开始学习文本到图像的生成。

基于GAN的文本到图像生成

GAN 架构与训练

使用 StackGAN++ 生成逼真的图像

训练 StackGAN++ 以生成质量更高的图像

测验：根据描述文本生成图像

10. 使用 GAN 进行序列合成动手实践使用SeqGAN进行文本生成，以及使用SEGAN进行语音增强。

通过SeqGAN进行文本生成

创建训练用的词汇表

使用SEGAN进行语音质量增强

测验：使用GAN进行序列合成

11. 使用生成对抗网络（GAN）重建三维模型提升你在3D物体表示、生成对抗网络（GAN）设计及训练技术方面的技能。

计算机图形学中的基本概念

设计用于3D数据生成的GAN

测验：使用生成对抗网络（GAN）重建3D模型

12. 总结掌握生成对抗网络（GAN）的核心知识，并通过PyTorch实践技能应用于真实场景。

结论

13. 附录解决 PyTorch 的安装、配置 GPU 加速，以及探索用于高效训练的 C++ 前端。

TorchScript 模型追踪与保存

必需的下载内容

C++ 前端

CUDA—利用GPU加速实现快速训练与推理

在 Windows 和 Linux 上安装 PyTorch

查看GPU使用信息

到达 nn.PixelShuffle 的 C++ 源代码的步骤

Certificate of Completion

Reviews

Reviews & Comments (0)