第一部分 生成式人工智能简介
第1章 生成式人工智能和PyTorch
1.1 生成式人工智能和PyTorch简介
1.1.1 生成式人工智能
1.1.2 Python编程语言
1.1.3 使用PyTorch作为人工智能框架
1.2 生成对抗网络（GAN）
1.2.1 GAN概述
1.2.2 示例：生成动漫人脸
1.2.3 为什么要关注GAN
1.3 Transformer
1.3.1 注意力机制简介
1.3.2 Transformer架构简介
1.3.3 多模态Transformer和预训练LLM
1.4 为什么要从零开始构建生成模型
1.5 小结
第2章 使用PyTorch进行深度学习
2.1 PyTorch中的数据类型
2.1.1 创建PyTorch张量
2.1.2 对PyTorch张量进行索引和切片
2.1.3 PyTorch张量的形状
2.1.4 PyTorch张量的数学运算
2.2 使用PyTorch完成端到端深度学习项目
2.2.1 PyTorch深度学习：高层次概述
2.2.2 数据预处理
2.3 二分类
2.3.1 创建批次
2.3.2 构建并训练二分类模型
2.3.3 测试二分类模型
2.4 多类别分类
2.4.1 验证集和早停止
2.4.2 构建并训练多类别分类模型
2.5 小结
第3章 生成对抗网络：生成形状和数字
3.1 训练GAN的步骤
3.2 准备训练数据
3.2.1 形成指数增长曲线的训练数据集
3.2.2 准备训练数据集
3.3 构建GAN
3.3.1 判别器网络
3.3.2 生成器网络
3.3.3 损失函数、优化器和早停止
3.4 训练GAN并使用GAN生成形状
3.4.1 GAN的训练
3.4.2 保存并使用训练好的生成器
3.5 用模式生成数字
3.5.1 独热变量
3.5.2 使用GAN生成具备模式的数字
3.5.3 训练GAN生成具备模式的数字
3.5.4 保存并使用训练好的模型
3.6 小结
第二部分 图像生成
第4章 使用GAN生成图像
4.1 使用GAN生成服装灰度图像
4.1.1 训练样本和判别器
4.1.2 生成灰度图像的生成器
4.1.3 训练GAN生成服装图像
4.2 卷积层
4.2.1 卷积运算的工作原理
4.2.2 步幅和填充对卷积运算的影响
4.3 转置卷积和批量归一化
4.3.1 转置卷积层的工作原理
4.3.2 批量归一化
4.4 彩色动漫人脸图像
4.4.1 下载动漫人脸图像
4.4.2 PyTorch中的通道前置彩色图像
4.5 深度卷积GAN（DCGAN）
4.5.1 构建DCGAN
4.5.2 训练并使用DCGAN
4.6 小结
第5章 在生成图像中选择特征
5.1 眼镜数据集
5.1.1 下载眼镜数据集
5.1.2 可视化眼镜数据集中的图像
5.2 cGAN和沃瑟斯坦距离
5.2.1 带有梯度惩罚的WGAN
5.2.2 cGAN
5.3 构建cGAN
5.3.1 cGAN中的批评者
5.3.2 cGAN中的生成器
5.3.3 权重初始化和梯度惩罚函数
5.4 训练cGAN
5.4.1 为输入添加标签
5.4.2 训练模型
5.5 在生成图像中选择特征的方法
5.5.1 选择生成戴眼镜或不戴眼镜的人脸图像
5.5.2 潜空间中的向量运算
5.5.3 同时选择两个特征
5.6 小结
第6章 CycleGAN：将金发转换为黑发
6.1 CycleGAN和循环一致性损失
6.1.1 CycleGAN
6.1.2 循环一致性损失
6.2 名人人脸数据集
6.2.1 下载名人人脸数据集
6.2.2 处理黑发图像和金发图像的数据
6.3 构建CycleGAN模型
6.3.1 创建两个判别器
6.3.2 创建两个生成器
6.4 用CycleGAN在黑发和金发之间转换
6.4.1 训练CycleGAN在黑发和金发之间转换
6.4.2 黑发图像和金发图像的往返转换
6.5 小结
第7章 利用变分自编码器生成图像
7.1 自编码器概述
7.1.1 自编码器
7.1.2 构建并训练自编码器的步骤
7.2 构建并训练能生成数字的自编码器
7.2.1 收集手写数字
7.2.2 构建和训练自编码器
7.2.3 保存并使用训练好的自编码器
7.3 变分自编码器
7.3.1 AE与VAE的区别
7.3.2 训练可生成人脸图像的VAE所需的蓝图
7.4 生成人脸图像的变分自编码器
7.4.1 构建变分自编码器
7.4.2 训练变分自编码器
7.4.3 使用训练好的VAE生成图像
7.4.4 使用训练好的VAE进行编码运算
7.5 小结
第三部分 自然语言处理和Transformer
第8章 利用循环神经网络生成文本
8.1 循环神经网络（RNN）简介
8.1.1 文本生成过程中的挑战
8.1.2 循环神经网络的工作原理
8.1.3 训练长短期记忆（LSTM）模型的步骤
8.2 自然语言处理（NLP）的基本原理
8.2.1 词元化方法
8.2.2 词嵌
展开
