
GANs mit PyTorch selbst programmieren
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions


Persons
Content
- Cover
- Titel
- Impressum
- Inhalt
- Einführung
- Teil I PyTorch und neuronale Netze
- 1 Grundlagen von PyTorch
- Google Colab
- PyTorch-Tensoren
- Automatische Gradienten mit PyTorch
- Berechnungsgraphen
- Lernziele
- 2 Erstes neuronales Netz mit PyTorch
- Das MNIST-Bilddatensatz
- Die MNIST-Daten abrufen
- Ein Blick auf die Daten
- Ein einfaches neuronales Netz
- Das Training visualisieren
- Die Klasse für den MNIST-Datensatz
- Unsere Klassifizierer trainieren
- Das neuronale Netz abfragen
- Die Performance des Klassifizierers einfach ermitteln
- 3 Verfeinerungen
- Verlustfunktion
- Aktivierungsfunktion
- Optimierungsmethode
- Normalisierung
- Kombinierte Verfeinerungen
- Lernziele
- 4 Grundlagen von CUDA
- NumPy vs. Python
- NVIDIA CUDA
- CUDA in Python verwenden
- Lernziele
- Teil II Generative Adversarial Networks erstellen
- 5 Das GAN-Konzept
- Bilder generieren
- Gegnerisches Training
- Ein GAN trainieren
- GANs sind schwer zu trainieren
- Lernziele
- 6 Einfache 1010-Muster
- Echte Datenquelle
- Den Diskriminator erstellen
- Den Diskriminator testen
- Den Generator erstellen
- Die Generatorausgabe überprüfen
- Das GAN trainieren
- Lernziele
- 7 Handgeschriebene Ziffern
- Die Datensatzklasse
- Der MNIST-Diskriminator
- Den Diskriminator testen
- MNIST-Generator
- Die Generatorausgabe testen
- Das GAN trainieren
- Mode Collapse
- Das GAN-Training verbessern
- Mit Startwerten experimentieren
- Lernziele
- 8 Menschliche Gesichter
- Farbbilder
- Der CelebA-Datensatz
- Hierarchisches Datenformat
- Die Daten abrufen
- Die Daten inspizieren
- Die Datensatzklasse
- Der Diskriminator
- Den Diskriminator testen
- GPU-Beschleunigung
- Der Generator
- Die Generatorausgabe überprüfen
- Das GAN trainieren
- Lernziele
- Teil III Komplexere GANs
- 9 Convolutional GANs
- Speicherbedarf
- Lokalisierte Bildmerkmale
- Faltungsfilter
- Kerngewichte lernen
- Merkmalshierarchie
- MNIST-CNN
- CelebA-CNN
- Eigene Experimente
- Lernziele
- 10 Konditionierte GANs
- cGAN-Architektur
- Diskriminator
- Generator
- Trainingsschleife
- Bilder grafisch darstellen
- Ergebnisse für das konditionierte GAN
- Lernziele
- Fazit
- Anhänge
- A Ideale Verlustwerte
- MSE-Verlust
- BCE-Verlust
- B GANs lernen Wahrscheinlichkeit
- GANs merken sich die Trainingsdaten nicht
- Vereinfachtes Beispiel
- Bilder aus einer Wahrscheinlichkeitsverteilung generieren
- Gruppen von Pixeln für Bildmerkmale lernen
- Viele Modi und Mode Collapse
- C Beispiele für Faltungen
- Beispiel 1: Faltung mit Schrittweite 1, keine Auffüllung
- Beispiel 2: Faltung mit Schrittweite 2, keine Auffüllung
- Beispiel 3: Faltung mit Schrittweite 2, mit Auffüllung
- Beispiel 4: Faltung mit Bedeckungslücken
- Beispiel 5: Transponierte Faltung mit Schrittweite 2, keine Auffüllung
- Beispiel 6: Transponierte Faltung mit Schrittweite 1, keine Auffüllung
- Beispiel 7: Transponierte Faltung mit Schrittweite 2, mit Auffüllung
- Ausgabegrößen berechnen
- D Instabiles Lernen
- Gradientenabstieg - für das Training von GANs geeignet?
- Ein einfaches Konfliktbeispiel
- Gradientenabstieg - nicht ideal für Konfliktspiele
- Warum eine Kreisbahn?
- E Quellen
- Der MNIST-Datensatz
- Der CelebA-Datensatz
- NVIDIA und Google
- Open Source
- Index
- Über den Autor
- Kolophon
- Fußbnoten
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.