GANs mit PyTorch selbst programmieren

Table of contents

1. Cover
2. Titel
3. Impressum
4. Inhalt
5. Einführung
6. Teil I PyTorch und neuronale Netze
   1. 1 Grundlagen von PyTorch
   2. Google Colab
   3. PyTorch-Tensoren
   4. Automatische Gradienten mit PyTorch
   5. Berechnungsgraphen
   6. Lernziele
   7. 2 Erstes neuronales Netz mit PyTorch
   8. Das MNIST-Bilddatensatz
   9. Die MNIST-Daten abrufen
   10. Ein Blick auf die Daten
   11. Ein einfaches neuronales Netz
   12. Das Training visualisieren
   13. Die Klasse für den MNIST-Datensatz
   14. Unsere Klassifizierer trainieren
   15. Das neuronale Netz abfragen
   16. Die Performance des Klassifizierers einfach ermitteln
   17. 3 Verfeinerungen
   18. Verlustfunktion
   19. Aktivierungsfunktion
   20. Optimierungsmethode
   21. Normalisierung
   22. Kombinierte Verfeinerungen
   23. Lernziele
   24. 4 Grundlagen von CUDA
   25. NumPy vs. Python
   26. NVIDIA CUDA
   27. CUDA in Python verwenden
   28. Lernziele
7. Teil II Generative Adversarial Networks erstellen
   1. 5 Das GAN-Konzept
   2. Bilder generieren
   3. Gegnerisches Training
   4. Ein GAN trainieren
   5. GANs sind schwer zu trainieren
   6. Lernziele
   7. 6 Einfache 1010-Muster
   8. Echte Datenquelle
   9. Den Diskriminator erstellen
   10. Den Diskriminator testen
   11. Den Generator erstellen
   12. Die Generatorausgabe überprüfen
   13. Das GAN trainieren
   14. Lernziele
   15. 7 Handgeschriebene Ziffern
   16. Die Datensatzklasse
   17. Der MNIST-Diskriminator
   18. Den Diskriminator testen
   19. MNIST-Generator
   20. Die Generatorausgabe testen
   21. Das GAN trainieren
   22. Mode Collapse
   23. Das GAN-Training verbessern
   24. Mit Startwerten experimentieren
   25. Lernziele
   26. 8 Menschliche Gesichter
   27. Farbbilder
   28. Der CelebA-Datensatz
   29. Hierarchisches Datenformat
   30. Die Daten abrufen
   31. Die Daten inspizieren
   32. Die Datensatzklasse
   33. Der Diskriminator
   34. Den Diskriminator testen
   35. GPU-Beschleunigung
   36. Der Generator
   37. Die Generatorausgabe überprüfen
   38. Das GAN trainieren
   39. Lernziele
8. Teil III Komplexere GANs
   1. 9 Convolutional GANs
   2. Speicherbedarf
   3. Lokalisierte Bildmerkmale
   4. Faltungsfilter
   5. Kerngewichte lernen
   6. Merkmalshierarchie
   7. MNIST-CNN
   8. CelebA-CNN
   9. Eigene Experimente
   10. Lernziele
   11. 10 Konditionierte GANs
   12. cGAN-Architektur
   13. Diskriminator
   14. Generator
   15. Trainingsschleife
   16. Bilder grafisch darstellen
   17. Ergebnisse für das konditionierte GAN
   18. Lernziele
   19. Fazit
9. Anhänge
   1. A Ideale Verlustwerte
   2. MSE-Verlust
   3. BCE-Verlust
   4. B GANs lernen Wahrscheinlichkeit
   5. GANs merken sich die Trainingsdaten nicht
   6. Vereinfachtes Beispiel
   7. Bilder aus einer Wahrscheinlichkeitsverteilung generieren
   8. Gruppen von Pixeln für Bildmerkmale lernen
   9. Viele Modi und Mode Collapse
   10. C Beispiele für Faltungen
   11. Beispiel 1: Faltung mit Schrittweite 1, keine Auffüllung
   12. Beispiel 2: Faltung mit Schrittweite 2, keine Auffüllung
   13. Beispiel 3: Faltung mit Schrittweite 2, mit Auffüllung
   14. Beispiel 4: Faltung mit Bedeckungslücken
   15. Beispiel 5: Transponierte Faltung mit Schrittweite 2, keine Auffüllung
   16. Beispiel 6: Transponierte Faltung mit Schrittweite 1, keine Auffüllung
   17. Beispiel 7: Transponierte Faltung mit Schrittweite 2, mit Auffüllung
   18. Ausgabegrößen berechnen
   19. D Instabiles Lernen
   20. Gradientenabstieg – für das Training von GANs geeignet?
   21. Ein einfaches Konfliktbeispiel
   22. Gradientenabstieg – nicht ideal für Konfliktspiele
   23. Warum eine Kreisbahn?
   24. E Quellen
   25. Der MNIST-Datensatz
   26. Der CelebA-Datensatz
   27. NVIDIA und Google
   28. Open Source
10. Index
11. Über den Autor
12. Kolophon
13. Fußbnoten