Name: 使用 Python 和 TensorFlow 2 实现生成式人工智能
Availability: InStock

Content

16 Lessons • 0 Quizzes • 0 Challenges

课程介绍

1
开始学习

生成式人工智能简介

1
简介：生成式人工智能
2
人工智能的应用
3
概率规则
4
为什么要使用生成模型？
5
风格迁移与图像变换
6
测验：生成式人工智能
7
总结：生成式人工智能

使用GAN生成图像

1
简介：使用GAN进行图像生成
2
生成对抗网络（GANs）
3
训练GAN
4
朴素GAN
5
改进的GAN——深度卷积生成对抗网络（DCGAN）
6
改进的GAN——条件GAN
7
改进的生成对抗网络——Wasserstein GAN
8
渐进式GAN
9
GAN 训练中的挑战
10
测验：使用 GAN 生成图像
11
总结：使用GAN进行图像生成

深度神经网络的构建模块

1
简介：深度神经网络的构建模块
2
感知机：函数中的大脑
3
多层感知机与反向传播
4
网络的种类：卷积与循环网络
5
用于序列数据的网络
6
构建一个更优的优化器
7
测验：深度神经网络的构建模块
8
深度神经网络的构建模块总结

使用GAN进行风格迁移

1
简介：使用GAN实现风格迁移
2
使用 pix2pix GAN 实现成对风格迁移
3
使用CycleGAN进行非配对风格迁移
4
相关工作
5
测验：使用GAN进行风格迁移
6
风格迁移与生成对抗网络（GAN）总结

教网络生成数字

1
简介：教网络生成数字
2
MNIST 数据库
3
受限玻尔兹曼机
4
堆叠受限玻尔兹曼机以生成图像
5
使用 TensorFlow Keras 层 API 创建受限玻尔兹曼机（RBM）
6
使用 Keras 模型 API 创建深度置信网络（DBN）
7
测验：教网络生成数字
8
总结：教网络生成数字

使用GAN生成深度伪造（Deepfakes）

1
简介：使用生成对抗网络（GAN）制作深度伪造（Deepfakes）
2
Deepfakes 概述
3
操作模式
4
特征集
5
高层工作流程
6
数据集准备
7
使用自编码器进行替换
8
使用 pix2pix 进行图像重演
9
深度伪造相关挑战
10
测验：使用GAN生成深度伪造（Deepfakes）
11
使用GAN生成深度伪造（Deepfakes）概述

使用变分自编码器（VAEs）通过神经网络绘制图像

1
简介
2
创建图像的可分离编码
3
变分目标函数
4
导入 CIFAR
5
从 TensorFlow 2 创建网络
6
测验：使用变分自编码器（VAEs）生成图像
7
使用变分自编码器（VAEs）通过神经网络绘制图像：总结

文本生成方法的兴起

1
介绍：文本生成的方法
2
文本的表示方法
3
文本生成与LSTM的神奇之处
4
解码策略
5
LSTM变体与用于文本的卷积
6
测验：文本生成方法
7
总结：文本生成方法

NLP 2.0：使用Transformer生成文本

1
简介：使用Transformer生成文本
2
Transformer
3
GPT 模型
4
测验：使用Transformer生成文本
5
总结：使用Transformer生成文本

使用生成模型创作音乐

1
简介：使用生成模型创作音乐
2
开始音乐生成
3
使用LSTM生成音乐
4
使用生成对抗网络（GAN）生成音乐
5
MuseGAN—复调音乐生成
6
测验：使用生成模型创作音乐
7
使用生成模型创作音乐：总结

使用生成式AI玩视频游戏：GAIL

1
简介：使用生成式AI玩视频游戏
2
强化学习
3
逆向强化学习
4
对抗学习与模仿
5
在PyBullet Gym上运行GAIL
6
训练与结果
7
测验：用生成式AI玩电子游戏
8
总结：用生成式AI玩视频游戏

生成式人工智能的新兴应用

1
简介：生成式人工智能中的应用
2
发现新药物
3
求解偏微分方程
4
从图像创建视频
5
生成食谱
6
总结：生成式人工智能中的应用

结论

1
总结

附录

1
搭建 TensorFlow 实验环境
2
深度神经网络开发与TensorFlow
3
VSCode：一款集成开发环境
4
Docker：一种轻量级虚拟化解决方案
5
Kubernetes：多容器应用的可靠管理
6
Kubeflow：一个端到端的机器学习实验环境
7
Kubeflow 组件简要概览
8
Kubeflow Pipelines
9
使用 Kubeflow Katib 优化模型超参数

复盘经验教训

1
深度伪造相关挑战

Certificate of Completion

Showcase your accomplishment by sharing your certificate of completion.

Course Author:Anonymous User

使用 Python 和 TensorFlow 2 实现生成式人工智能

WHAT YOU'LL LEARN

TAKEAWAY SKILLS

Content

1. 课程介绍了解生成式人工智能的基础知识，重点掌握GAN（生成对抗网络）、VAE（变分自编码器）及其实际应用。

开始学习

2. 生成式人工智能简介了解生成式人工智能的能力、应用、概率规则及其建模优势。

简介：生成式人工智能

人工智能的应用

概率规则

为什么要使用生成模型？

风格迁移与图像变换

测验：生成式人工智能

总结：生成式人工智能

3. 使用GAN生成图像探索生成对抗网络（GANs）及其变体、训练过程和常见挑战。

简介：使用GAN进行图像生成

生成对抗网络（GANs）

训练GAN

朴素GAN

改进的GAN——深度卷积生成对抗网络（DCGAN）

改进的GAN——条件GAN

改进的生成对抗网络——Wasserstein GAN

渐进式GAN

GAN 训练中的挑战

测验：使用 GAN 生成图像

总结：使用GAN进行图像生成

4. 深度神经网络的构建模块研究深度神经网络的架构、训练方法、专用模型及优化技术。

简介：深度神经网络的构建模块

感知机：函数中的大脑

多层感知机与反向传播

网络的种类：卷积与循环网络

用于序列数据的网络

构建一个更优的优化器

测验：深度神经网络的构建模块

深度神经网络的构建模块总结

5. 使用GAN进行风格迁移掌握使用生成对抗网络（GAN）进行成对和非成对风格迁移的创意图像转换步骤。

简介：使用GAN实现风格迁移

使用 pix2pix GAN 实现成对风格迁移

使用CycleGAN进行非配对风格迁移

相关工作

测验：使用GAN进行风格迁移

风格迁移与生成对抗网络（GAN）总结

6. 教网络生成数字掌握使用 TensorFlow 训练深度置信网络以生成数字的基本原理。

简介：教网络生成数字

MNIST 数据库

受限玻尔兹曼机

堆叠受限玻尔兹曼机以生成图像

使用 TensorFlow Keras 层 API 创建受限玻尔兹曼机（RBM）

使用 Keras 模型 API 创建深度置信网络（DBN）

测验：教网络生成数字

总结：教网络生成数字

7. 使用GAN生成深度伪造（Deepfakes）学习如何使用深度伪造技术，重点关注生成对抗网络（GAN）架构、人脸交换以及相关的伦理问题。

简介：使用生成对抗网络（GAN）制作深度伪造（Deepfakes）

Deepfakes 概述

操作模式

特征集

高层工作流程

数据集准备

使用自编码器进行替换

使用 pix2pix 进行图像重演

深度伪造相关挑战

测验：使用GAN生成深度伪造（Deepfakes）

使用GAN生成深度伪造（Deepfakes）概述

8. 使用变分自编码器（VAEs）通过神经网络绘制图像深入学习在 TensorFlow 中使用变分自编码器（VAE）进行图像重建与生成。

简介

创建图像的可分离编码

变分目标函数

导入 CIFAR

从 TensorFlow 2 创建网络

测验：使用变分自编码器（VAEs）生成图像

使用变分自编码器（VAEs）通过神经网络绘制图像：总结

9. 文本生成方法的兴起了解文本生成方法背后的原理，包括RNN、LSTM和卷积网络。

介绍：文本生成的方法

文本的表示方法

文本生成与LSTM的神奇之处

解码策略

LSTM变体与用于文本的卷积

测验：文本生成方法

总结：文本生成方法

10. NLP 2.0：使用Transformer生成文本动手实践Transformer架构、核心NLP概念以及高级文本生成技术。