O'Reilly又出了一本免費的新書!關於深度學習首選這一本

大數據技術2019-08-25 10:36:42

程序員書庫(ID:OpenSourceTop)編譯

編譯自:https://medium.com/applied-data-science/generative-deep-learning-the-parrot-has-landed-b291e6c254e


生成模型是人工智能中最熱門的話題之一。該領域的最新研究表明,該領域的最新進展表明,通過了解機器的行為如何影響其環境,可以讓機器在繪畫、作曲和完成任務等人類活動方面表現的更加出色。


50年前,尼爾·阿姆斯特朗和巴茲·奧爾德林駕駛駕駛的登月艙“鷹”號降落在月球上。這是一個充滿這堅定的勇氣和決心的壯舉



50年後,曾經將人類帶到月球的阿波羅制導計算機(AGC)的處理能力已經被用於日常生活,事實上,如今的iphone 6的計算能力足以引導1.2億阿波羅11號飛船飛向月球。


根據摩爾定律,你任意選擇一台機器,50年後,將存在一台機器運行速度比他快2²⁵以上,編寫AGCdiamante的團隊負責人Margaret Hamilton,她把當時的硬件限制當成一項挑戰,完成了一件本不可能實現的目標


459天錢,O 'Reilly 邀請David Foster寫一本關於生成模型的最新指南,他答應了,他希望自己的這本書能夠讓讀者對生成式深度學習有一個深入的瞭解,並且在不耗費大量昂貴的計算機資源的條件下,構建出令人驚歎的模型,如今這本書已經出版,並且可以在O 'Reilly 網站上免費閲讀



這本書是關於什麼?

《Generative Deep Learning》這本書是關於生成模型的實用指南。



它將帶你瞭解構建生成模型的基本原理,然後逐漸深入主題,構建更加複雜的模型,全書充滿許多實際示例、架構圖和示例代碼


這本書適合任何想要深入瞭解當前熱門的生成模型的人。你不需要具備深度學習的基礎,所有的示例代碼都是用Python編寫的



這本書涵蓋了哪些內容?

作者幾乎涵蓋了過去5年裏所有重要的生成模型,特別重點的都顯示在下圖的時間軸上:



全書分為兩部分,主要章節內容如下:


第一部分:生成式深度學習簡介


本書前四章主要介紹構建可生成的深度學習模型所需要的核心技術。


1、生成模型

作者在生成模型領域進行了大量的研究,並試圖從概率角度解決問題,然後探索了基本概率生成模型的例子,並分析了為什麼隨着生成任務的增加,可能需要部署深度學習技術



2、深度學習

本章介紹了構建更復雜的生成模型所需的深度學習工具和技術,介紹了Keras,這是一個用於構建神經網絡的框架,可用於構建和訓練一些在文獻中發表的最前沿的深度神經網絡架構。



3、變分自編碼器

在本章中,將介紹第一個生成式深度學習模型——變分自編碼器。這一強大的技術將允許我們從頭開始生成逼真的面孔,並改變現有的圖像——例如,添加一個微笑或改變某人頭髮的顏色。



4. 生成對抗網絡(GANs)

本章探討了近年來最流行的生成模型技術之一的生成對抗網絡。這個用於構建生成模型問題的優雅框架是許多先進生成模型的底層引擎。



第二部分:教機器繪畫、寫作、作曲和玩遊戲


第二部分提供了一組案例研究,展示了生成建模技術如何應用於特定的任務。



5. 繪畫

在本章中,研究了兩種與機器繪畫有關的技術。首先我們來看看CycleGAN,顧名思義,它是GAN架構的一種,允許模型學習如何將照片轉換成特定風格的繪畫。同時還探索了包含在許多照片編輯應用程序中的神經風格轉換技術,它允許你將一幅畫的風格轉換到一張照片上,給人一種這是出自同一位藝術家的錯覺。



6. 寫作

在本章中,作者將注意力轉向機器寫作,介紹了遞歸神經網絡(RNN)結構,它允許我們處理涉及序列數據的問題。我們還將瞭解encoder–decoder體系結構是如何工作的,並構建一個問答生成器。



7. 作曲

本章着眼於音樂生成,這也是一個序列生成問題,但有更高的挑戰,如建模音樂的音高和節奏。我們將瞭解如何將許多用於文本生成的技術應用到這個領域,同時還將探索一個稱為MuseGAN的深度學習結構,它將第4章(關於GAN)中的思想應用於音樂數據。



8. 玩

本章展示了生成模型如何應用於其他機器學習領域,比如強化學習。



9. 生成模型的未來

這是對當前生成模型的概述,並回顧了在本書中介紹的技術。同時還將放眼未來,探索今天可用的最頂級技術如GPT-2和BigGAN會如何改變我們創作方式,我們是否能創造一個機器人,它可以創造出可與先人媲美的藝術作品、文學和音樂等。



10. 結論

本章總結了為什麼生成式深度學習在未來5-10年可能成為機器學習最重要和最有影響力的領域。



總結

在這個現實和虛幻不那麼容易區分的世界裏,難能可貴的是有一些工程師依然能夠深入理解生成模型的工作原理,並且不會因為技術限制而退卻。


本書可以幫助你瞭解當下最先進的技術,同時讓你享受閲讀的樂趣,最後附上本書相關地址:


在線閲讀地址:https://github.com/davidADSP/GDL_code
本書完整代碼:https://www.oreilly.com/library/view/generative-deep-learning/9781492041931



編號872,輸入編號直達本文

●輸入m獲取到文章目錄

推薦↓↓↓

程序員書庫

https://hk.wxwenku.com/d/201247369