UID:
kobvindex_ERBEBC6349844
Format:
1 online resource (216 pages)
Edition:
1
ISBN:
9783960103936
Note:
Intro -- Inhalt -- Einführung -- Teil I: PyTorch und neuronale Netze -- Kapitel 1: Grundlagen von PyTorch -- Google Colab -- PyTorch-Tensoren -- Automatische Gradienten mit PyTorch -- Berechnungsgraphen -- Lernziele -- Kapitel 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 -- Kapitel 3: Verfeinerungen -- Verlustfunktion -- Aktivierungsfunktion -- Optimierungsmethode -- Normalisierung -- Kombinierte Verfeinerungen -- Lernziele -- Kapitel 4: Grundlagen von CUDA -- NumPy vs. Python -- NVIDIA CUDA -- CUDA in Python verwenden -- Lernziele -- Teil II: Generative Adversarial Networks erstellen -- Kapitel 5: Das GAN-Konzept -- Bilder generieren -- Gegnerisches Training -- Ein GAN trainieren -- GANs sind schwer zu trainieren -- Lernziele -- Kapitel 6: Einfache 1010-Muster -- Echte Datenquelle -- Den Diskriminator erstellen -- Den Diskriminator testen -- Den Generator erstellen -- Die Generatorausgabe überprüfen -- Das GAN trainieren -- Lernziele -- Kapitel 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 -- Kapitel 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 -- Kapitel 9: Convolutional GANs -- Speicherbedarf -- Lokalisierte Bildmerkmale -- Faltungsfilter -- Kerngewichte lernen -- Merkmalshierarchie -- MNIST-CNN -- CelebA-CNN -- Eigene Experimente -- Lernziele -- Kapitel 10: Konditionierte GANs -- cGAN-Architektur -- Diskriminator -- Generator -- Trainingsschleife -- Bilder grafisch darstellen -- Ergebnisse für das konditionierte GAN -- Lernziele -- Fazit -- Anhänge -- Anhang A: MSE-Verlust -- Anhang B: GANs merken sich die Trainingsdaten nicht -- Anhang C: Beispiel 1: Faltung mit Schrittweite 1, keine Auffüllung -- Anhang D: Gradientenabstieg - für das Training von GANs geeignet? -- Anhang E: Der CelebA-Datensatz -- Index
Additional Edition:
Print version: Rashid, Tariq GANs mit PyTorch selbst programmieren Heidelberg : o'Reilly,c2020 ISBN 9783960091479
Keywords:
Electronic books.
URL:
https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6349844
URL:
https://static.onleihe.de/content/bookwire_nat/20200914/9783960103936/v9783960103936.pdf
URL:
https://static.onleihe.de/images/bookwire_nat/20200914/9783960103936/tn9783960103936l.jpg
URL:
https://voebb.onleihe.de/berlin/frontend/mediaInfo,51-0-1360332967-100-0-0-0-0-0-0-0.html