- 零基础入门GAN：以直白简短的方式讲解生成对抗网络的原理，帮助没有GAN基础的读者快速理解生成器与判别器的对抗机制。
- 手把手编写GAN代码：按部就班指导读者用PyTorch从零实现GAN，包括生成1010格式规律、手写数字和人脸图像。
- 掌握卷积GAN与条件式GAN：讲解如何将卷积神经网络引入GAN生成高质量图像，以及条件式GAN如何控制生成内容。
- 理解GAN训练难点：深入讨论模式崩溃、训练不稳定等问题，并解释为什么梯度下降不适用于对抗式机器学习。
- 补充被忽略的数学基础：讲解理想损失值计算、概率分布与采样、卷积运算细节等多数教程忽略的关键知识。
★★★
中级
入门初级中级进阶高级
- 机器学习初学者：想初步了解GAN及其工作原理，具备基本Python编程能力的入门读者。
- 深度学习从业者：希望学习如何用PyTorch构建和训练GAN的机器学习工程师和研究人员。
- 计算机相关专业学生：正在学习机器学习课程，需要一本通俗易懂的GAN入门读物作为课外补充。
- AI技术爱好者：对图像生成、深度学习感兴趣，希望通过动手实践理解GAN的技术爱好者。
- 从第1章打牢PyTorch基础：即使有神经网络经验，也建议快速过一遍第1章，熟悉PyTorch的API风格和CUDA使用。
- 按顺序动手实践：第2章从最简单的1010规律生成开始，逐步过渡到手写数字和人脸，务必每个实例都亲手运行代码。
- 重点研读附录A和D：理想损失值的计算和梯度下降为何不适用于GAN是理解GAN训练本质的关键，建议反复阅读。
- 关注第3章卷积GAN：卷积GAN是生成高质量图像的核心技术，建议结合附录C的卷积案例深入理解卷积运算过程。
- 准备GPU环境：生成人脸图像等实例计算量较大，建议使用带GPU的机器或云平台运行代码。
- 理解GAN核心原理：掌握生成器与判别器的对抗训练机制，理解GAN的数学基础和损失函数设计。
- 独立编写GAN代码：能够用PyTorch从零实现基础GAN、卷积GAN和条件式GAN，并训练生成图像。
- 掌握训练调优技巧：了解模式崩溃、训练不稳定等常见问题的成因和应对策略。
- 深入理解卷积运算：通过附录中的详细案例，透彻理解卷积、转置卷积的步长、补全和输出大小计算。
- GPU加速实战经验：掌握CUDA基础知识和PyTorch中的GPU加速方法，提升模型训练效率。
📖 书籍简介
产品特色
编辑推荐
1. 畅销书《Python神经网络编程》作者**力作；
2. 本书以直白、简短的方式介绍了生成对抗网络，指导读者按部就班地编写生成对抗网络；
3. 本书介绍了计算平衡GAN的理想损失值、卷积的工作原理等被很多机器学习相关教程忽略的主题，对训练GAN的主要挑战进行了讨论，十分具有启发性；
4. 全彩印刷，配套示例代码，图文并茂，易懂实用。
我很喜欢将这本书作为周日早晨的读物。更让我激动的是，本书展示了实现各种示例的细节。我会向任何想开始学习生成对抗网络的人推荐这本书。
--JV Amazon读者
作者轻松友好的写作风格让人感觉他在和你一起旅行。当我听说作者要出版这本书时，我迫不及待地想阅读这本书。我很开心，这本书和他的第一本书《Python神经网络编程》一样容易阅读和理解。你将再一次踏上一段轻松的旅程，我愿意向所有人推荐它。
--Mairiwr Amazon读者
2. 本书以直白、简短的方式介绍了生成对抗网络，指导读者按部就班地编写生成对抗网络；
3. 本书介绍了计算平衡GAN的理想损失值、卷积的工作原理等被很多机器学习相关教程忽略的主题，对训练GAN的主要挑战进行了讨论，十分具有启发性；
4. 全彩印刷，配套示例代码，图文并茂，易懂实用。
我很喜欢将这本书作为周日早晨的读物。更让我激动的是，本书展示了实现各种示例的细节。我会向任何想开始学习生成对抗网络的人推荐这本书。
--JV Amazon读者
作者轻松友好的写作风格让人感觉他在和你一起旅行。当我听说作者要出版这本书时，我迫不及待地想阅读这本书。我很开心，这本书和他的第一本书《Python神经网络编程》一样容易阅读和理解。你将再一次踏上一段轻松的旅程，我愿意向所有人推荐它。
--Mairiwr Amazon读者
内容简介
生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的新星，被誉为“机器学习领域近20年来最酷的想法”。
本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。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。
本书适合想初步了解GAN以及其工作原理的读者，也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。
本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。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。
本书适合想初步了解GAN以及其工作原理的读者，也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。
作者简介
塔里克.拉希德（Tariq Rashid），拥有物理学学士学位、机器学习和数据挖掘硕士学位。他常年活跃于伦敦的技术圈子，领导并组织伦敦Python聚会小组（近3000名成员）。
译者简介：
韩江雷，新加坡南洋理工大学计算机专业博士，思爱普公司（新加坡）数据科学家。他的研究兴趣有自然语言处理、文本数据分析、数据挖掘等项目的落地及运维。
📑 章节目录
- PyTorch入门与神经网络基础
- 初试PyTorch神经网络：构建与训练
- 改良神经网络：提升训练效果的方法
- CUDA基础知识与GPU加速
- GAN的概念：生成器与判别器的对抗
- 生成1010格式规律：第一个GAN实例
- 生成手写数字：MNIST数据集实战
- 生成人脸图像：CelebA数据集实战
- 卷积GAN：用卷积网络提升图像质量
- 条件式GAN：控制生成内容的类别
- 附录：理想损失值、概率分布与采样
- 附录：卷积案例详解与不稳定学习分析
