学习PyTorch和GAN最好的书：《PyTorch生成对抗网络编程》

PyTorch 最强大且最便利的功能之一是，无论我们设想的网络是 什么样子的，它都能替我们进行所有的微积分计算。即使设计改变 了，PyTorch 也会自动更新微积分计算，无须我们亲自动手计算梯度 （gradient）。

同时，PyTorch 尽量在外观体验上与 Python 保持一致，以帮助 Python 用户快速上手

学习PyTorch和GAN最好的书《PyTorch生成对抗网络编程》

 

读过这本书后

• 对PyTorch的基础知识有了较深的理解
• 您已经获得了使用这些知识来构建和训练多神经网络的实践经验。
• 您已对GAN有了一定的了解
• 收获设计网络、见证网络失败，并对失败进行补救的实战经验。（具备这样经验的人才并不多哟！！！）

您很幸运 地参与了机器学习的最前沿工作。您的某个想法完全有可能成为具有突破性的研究成果，这相当令人振奋！

未来方向

在《PyTorch生成对抗网络编程》中，我们尽量控制内容，将重点放在图像生成上。不过，GAN也可以学习其他类型的数据，如声音、视频甚至自然语言等。虽然应用不同，但是它们的核心概念是一样的。

目前，有很多研究试图探索新的方法来改良GAN的训练。同时，关于GAN如何训练 以及为什么训练会失败的理论研究也在进行中。大量不同的想法和方法不断被提出，比较全新的损失函数、惩罚单一性输出的有趣架构等。我们建议您亲自参与探索。

在我看来，最有希望的研究方向之一是关于梯度下降的。简单来说，在两个或更多的代理试图实现对立的目标时，梯度下降很可能不是理想的优化方法。

既使是最基本的问题，同样有待解答。比如，如何衡量和比较一个由GAN生成的图像的质量和多样性？我们如何科学合理地比较两个不同GAN架构的效果？

学习本书的线路图

 

内容简介

全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。

免费和开源内容

本书提及的构建GAN所需要的工具和服务都是免费或开源的。我们希望帮助更多读者了解并学会构建神经网络和GAN，因此免费和开源工具十分重要。

Python是最受欢迎、最容易上手的编程语言之一。它已经成为机器学习和人工智能领域的标准语言。它拥有活跃的全球社区以及完善的库生态系统。目前，谷歌（Google）提供一个免费的网页版Python开发环境——GoogleColab。这意味着，我们无须安装Python或任何软件，仅需要一台计算机和一个浏览器，即可完全在Google Colab上开发并运行强大的神经网络。

PyTorch是Python的一个扩展工具集，它简化了设计、构建以及运行机器学习模型的流程，与TensorFlow并列为最流行的机器学习架构。同时，这些工具常用于工业界，保证读者可以学以致用。

详细目录

第 1 章　PyTorch和神经网络 001
1．1　PyTorch入门　001
1．2　初试PyTorch神经网络　018
1．3　改良方法　043
1．4　CUDA基础知识　054
第　2 章 GAN初步　064
2．1　GAN的概念　064
2．2　生成1010格式规律　072
2．3　生成手写数字　090
2．4　生成人脸图像　117
第　3 章 卷积GAN和条件式GAN　140
3．1　卷积GAN　140
3．2　条件式GAN　166
3．3　结语　176
附录A　理想的损失值　178
A．1　MSE损失　178
A．2　BCE损失　179
附录B　GAN学习可能性　186
B．1　GAN不会记忆训练数据　186
B．2　简单的例子　187
B．3　从一个概率分布中生成图像　188
B．4　为图像特征学习像素组合　189
B．5　多模式以及模式崩溃　190
附录C　卷积案例　191
C．1　例1： 卷积，步长为1，无补全　191
C．2　例2： 卷积，步长为2，无补全　192
C．3　例3： 卷积，步长为2，有补全　193
C．4　例4： 卷积，不完全覆盖　194
C．5　例5： 转置卷积，步长为2，无补全　194
C．6　例6： 转置卷积，步长为1，无补全　196
C．7　例7： 转置卷积，步长为2，有补全　197
C．8　计算输出大小　197
附录D　不稳定学习　199
D．1　梯度下降是否适用于训练GAN　199
D．2　简单的对抗案例　199
D．3　梯度下降并不适合对抗博弈　203
D．4　为什么是圆形轨迹　204
附录E　相关数据集和软件　205
E．1　MNIST数据集　205
E．2　CelebA数据集　205
E．3　英伟达和谷歌　206
E．4　开源软件　206