Make Your First GAN With PyTorch из жанра Другая компьютерная литература

topeg72506

Сердце Гудвина

Понравилось, интересно описаны герои, они не картонки, все с недостатками, верю что это школьники. Немного затянуты сцены с обсуждением предчувствий и розовым фламинго. Развязка понравилась

MarijaAlex

Развод. Ты меня предал [СИ]

Читала и читаю разные вариации на тему измены.Книжкой заинтересовалась благодаря неоднозначным отзывам читателей.Нашла книгу в ин-те и поняла,что можно было не терять время на эту историю.Здесь я

MarijaAlex

Ты меня предал (СИ)

Начало заинтересовало так,что на просторах интернета нашла в начале первую часть,а потом уже и вторую часть.Кто хочет посмотреть почти остросюжетный боевик может смело читать,только надо запастись не

Pygalica

Самозванец из Гессена (СИ)

Прекрасно. С юмором. Шкафами не валит, но они конечно есть как и во всех книгах данного жанра. Спасибо автору

Стёпа Егоров

Играта

Здравейте, книгите са чудесни! А ще има ли превод на последната от тази поредица- Предизвикателството?

BookLover2000

Дъщерята на Кралицата на сирените

Преводът е машинен, ужасно неприятно е.

Make Your First GAN With PyTorch

Другая компьютерная литература, Программы

Автор: Рашид Тарик

Год: 2020

Добавил: Admin 14 Апр 21

Проверил: Admin 14 Апр 21

Формат: PDF (8148 Kb)

Currently 0/5

Рейтинг: 0/5 (Всего голосов: 0)

Аннотация

A gentle introduction to Generative Adversarial Networks, and a practical step-by-step tutorial on making your own with PyTorch.

This beginner-friendly guide will give you hands-on experience:

learning PyTorch basics
developing your first PyTorch neural network
exploring neural network refinements to improve performance
introduce CUDA GPU acceleration

It will introduce GANs, one of the most exciting areas of machine learning:

introducing the concept step-by-step, in plain English
coding the simplest GAN to develop a good workflow
growing our confidence with an MNIST GAN
progressing to develop a GAN to generate full-colour human faces
experiencing how GANs fail, exploring remedies and improving GAN performance and stability

Beyond the very basics, readers can explore more sophisticated GANs:

convolutional GANs for generated higher quality images
conditional GANs for generated images of a desired class

The appendices will be useful for students of machine learning as they explain themes often skipped over in many courses:

calculating ideal loss values for balanced GANs
probability distributions and sampling them to create images
carefully chosen examples illustrating how convolutions work
a brief explanation of why gradient descent isn't suited to adversarial machine learning

All code is available publicly as open source on github.