20.
Генеративно-состязательные сети
search
Quick search
code
Show Source
PyTorch
MXNet
Notebooks
Courses
GitHub
Table Of Contents
Предисловие
Установка
Обозначения
1. Введение
2. Предварительные сведения
2.1. Манипуляция данными
2.2. Предобработка данных
2.3. Линейная алгебра
2.4. Математический анализ
2.5. Автоматическое дифференцирование
2.6. Вероятность и статистика
2.7. Документация
3. Линейные нейронные сети для регрессии
3.1. Линейная регрессия
3.2. Объектно-ориентированное проектирование для реализации
3.3. Синтетические данные для регрессии
3.4. Реализация линейной регрессии с нуля
3.5. Краткая реализация линейной регрессии
3.6. Обобщающая способность
3.7. Затухание весов
4. Линейные нейронные сети для классификации
4.1. Софтмакс-регрессия
4.2. Набор данных для классификации изображений
4.3. Базовая модель классификации
4.4. Реализация софтмакс-регрессии с нуля
4.5. Краткая реализация софтмакс-регрессии
4.6. Обобщающая способность в классификации
4.7. Среда и сдвиг распределения
5. Многослойные перцептроны
5.1. Многослойные перцептроны
5.2. Реализация многослойных перцептронов
5.3. Прямое распространение, обратное распространение и вычислительные графы
5.4. Численная устойчивость и инициализация
5.5. Обобщающая способность в глубоком обучении
5.6. Дропаут
5.7. Прогнозирование цен на дома на Kaggle
6. Руководство для разработчиков
6.1. Слои и модули
6.2. Управление параметрами
6.3. Инициализация параметров
6.4. Ленивая инициализация
6.5. Пользовательские слои
6.6. Ввод-вывод файлов
6.7. Графические процессоры (GPU)
7. Свёрточные нейронные сети
7.1. От полносвязных слоёв к свёрткам
7.2. Свёртки для изображений
7.3. Дополнение и шаг
7.4. Несколько входных и выходных каналов
7.5. Пулинг
7.6. Свёрточные нейронные сети (LeNet)
8. Современные свёрточные нейронные сети
8.1. Глубокие свёрточные нейронные сети (AlexNet)
8.2. Сети, использующие блоки (VGG)
8.3. Сеть в сети (NiN)
8.4. Многоветвевые сети (GoogLeNet)
8.5. Батч-нормализация
8.6. Остаточные сети (ResNet) и ResNeXt
8.7. Плотные сети (DenseNet)
8.8. Проектирование архитектур свёрточных сетей
9. Рекуррентные нейронные сети
9.1. Работа с последовательностями
9.2. Преобразование исходного текста в данные последовательности
9.3. Языковые модели
9.4. Рекуррентные нейронные сети
9.5. Реализация рекуррентной нейронной сети с нуля
9.6. Краткая реализация рекуррентных нейронных сетей
9.7. Обратное распространение ошибки через время
10. Современные рекуррентные нейронные сети
10.1. Долгая краткосрочная память (LSTM)
10.2. Блоки с управляемыми переходами (GRU)
10.3. Глубокие рекуррентные нейронные сети
10.4. Двухнаправленные рекуррентные нейронные сети
10.5. Машинный перевод и набор данных
10.6. Архитектура кодировщик–декодировщик
10.7. Обучение последовательность-в-последовательность для машинного перевода
10.8. Лучевой поиск
11. Механизмы внимания и трансформеры
11.1. Запросы, ключи и значения
11.2. Агрегирование по вниманию на основе сходства
11.3. Функции оценки внимания
11.4. Механизм внимания Бадау
11.5. Многоголовое внимание
11.6. Самовнимание и позиционное кодирование
11.7. Архитектура трансформера
11.8. Трансформеры для компьютерного зрения
11.9. Масштабное предобучение с помощью трансформеров
12. Алгоритмы оптимизации
12.1. Оптимизация и глубокое обучение
12.2. Выпуклость
12.3. Градиентный спуск
12.4. Стохастический градиентный спуск
12.5. Стохастический градиентный спуск на мини-батчах
12.6. Импульс
12.7. Adagrad
12.8. RMSProp
12.9. Adadelta
12.10. Адам
12.11. Планирование скорости обучения
13. Вычислительная производительность
13.1. Компиляторы и интерпретаторы
13.2. Асинхронные вычисления
13.3. Автоматический параллелизм
13.4. Аппаратное обеспечение
13.5. Обучение на нескольких GPU
13.6. Краткая реализация для нескольких GPU
13.7. Серверы параметров
14. Компьютерное зрение
14.1. Аугментация изображений
14.2. Дообучение
14.3. Обнаружение объектов и ограничивающие рамки
14.4. Якорные рамки
14.5. Обнаружение объектов на разных масштабах
14.6. Набор данных для обнаружения объектов
14.7. Однопроходное обнаружение с несколькими боксами
14.8. Региональные свёрточные нейронные сети (R-CNN)
14.9. Семантическая сегментация и набор данных
14.10. Свёртка с транспонированием
14.11. Полностью свёрточные сети
14.12. Перенос нейронного стиля
14.13. Классификация изображений (CIFAR-10) на Kaggle
14.14. Идентификация породы собак (ImageNet Dogs) на Kaggle
15. Обработка естественного языка: Предобучение
15.1. Эмбеддинг слов (word2vec)
15.2. Приближённое обучение
15.3. Раздел учебника: Набор данных для предобучения словесных вложений
15.4. Предобучение word2vec
15.5. Эмбеддинг слов с помощью глобальных векторов (GloVe)
15.6. Эмбеддинг подслов
15.7. Сходство и аналогия слов
15.8. Двухсторонние представления кодировщика на основе трансформеров (BERT)
15.9. Набор данных для предобучения BERT
15.10. Предобучение BERT
16. Обработка естественного языка: приложения
16.1. Анализ тональности и набор данных
16.2. Анализ тональности: использование рекуррентных нейронных сетей
16.3. Анализ тональности: использование свёрточных нейронных сетей
16.4. Вывод в естественном языке и набор данных
16.5. Вывод в естественном языке: использование внимания
16.6. Дообучение BERT для задач на уровне последовательностей и токенов
16.7. Вывод на естественном языке: дообучение BERT
17. Обучение с подкреплением
17.1. Марковский процесс принятия решений (MDP)
17.2. Итерация значений
17.3. Q-обучение
18. Гауссовские процессы
18.1. Введение в гауссовские процессы
18.2. Априорные распределения гаусовских процессов
18.3. Вывод гауссовского процесса
19. Оптимизация гиперпараметров
19.1. Что такое оптимизация гиперпараметров?
19.2. API оптимизации гиперпараметров
19.3. Асинхронный случайный поиск
19.4. Многоуровневая оптимизация гиперпараметров
19.5. Асинхронное последовательное отсечение
20. Генеративно-состязательные сети
20.1. Генеративно-состязательные сети
20.2. Глубокие свёрточные генеративно-состязательные сети
21. Системы рекомендаций
21.1. Обзор систем рекомендаций
22. Приложение: Математика для глубокого обучения
22.1. Геометрия и линейно-алгебраические операции
22.2. Собственные разложения
22.3. Дифференциальное исчисление одной переменной
22.4. Многомерное исчисление
22.5. Интегральное исчисление
22.6. Случайные величины
22.7. Максимальное правдоподобие
22.8. Распределения
22.9. Наивный байесовский классификатор
22.10. Статистика
22.11. Теория информации
23. Приложение: Инструменты для глубокого обучения
23.1. Использование Jupyter Notebook
23.2. Использование Amazon SageMaker
23.3. Использование экземпляров AWS EC2
23.4. Использование Google Colab
23.5. Выбор серверов и графических процессоров
23.6. Вклад в эту книгу
23.7. Вспомогательные функции и классы
23.8. Документация по API
d2l
References
Table Of Contents
Предисловие
Установка
Обозначения
1. Введение
2. Предварительные сведения
2.1. Манипуляция данными
2.2. Предобработка данных
2.3. Линейная алгебра
2.4. Математический анализ
2.5. Автоматическое дифференцирование
2.6. Вероятность и статистика
2.7. Документация
3. Линейные нейронные сети для регрессии
3.1. Линейная регрессия
3.2. Объектно-ориентированное проектирование для реализации
3.3. Синтетические данные для регрессии
3.4. Реализация линейной регрессии с нуля
3.5. Краткая реализация линейной регрессии
3.6. Обобщающая способность
3.7. Затухание весов
4. Линейные нейронные сети для классификации
4.1. Софтмакс-регрессия
4.2. Набор данных для классификации изображений
4.3. Базовая модель классификации
4.4. Реализация софтмакс-регрессии с нуля
4.5. Краткая реализация софтмакс-регрессии
4.6. Обобщающая способность в классификации
4.7. Среда и сдвиг распределения
5. Многослойные перцептроны
5.1. Многослойные перцептроны
5.2. Реализация многослойных перцептронов
5.3. Прямое распространение, обратное распространение и вычислительные графы
5.4. Численная устойчивость и инициализация
5.5. Обобщающая способность в глубоком обучении
5.6. Дропаут
5.7. Прогнозирование цен на дома на Kaggle
6. Руководство для разработчиков
6.1. Слои и модули
6.2. Управление параметрами
6.3. Инициализация параметров
6.4. Ленивая инициализация
6.5. Пользовательские слои
6.6. Ввод-вывод файлов
6.7. Графические процессоры (GPU)
7. Свёрточные нейронные сети
7.1. От полносвязных слоёв к свёрткам
7.2. Свёртки для изображений
7.3. Дополнение и шаг
7.4. Несколько входных и выходных каналов
7.5. Пулинг
7.6. Свёрточные нейронные сети (LeNet)
8. Современные свёрточные нейронные сети
8.1. Глубокие свёрточные нейронные сети (AlexNet)
8.2. Сети, использующие блоки (VGG)
8.3. Сеть в сети (NiN)
8.4. Многоветвевые сети (GoogLeNet)
8.5. Батч-нормализация
8.6. Остаточные сети (ResNet) и ResNeXt
8.7. Плотные сети (DenseNet)
8.8. Проектирование архитектур свёрточных сетей
9. Рекуррентные нейронные сети
9.1. Работа с последовательностями
9.2. Преобразование исходного текста в данные последовательности
9.3. Языковые модели
9.4. Рекуррентные нейронные сети
9.5. Реализация рекуррентной нейронной сети с нуля
9.6. Краткая реализация рекуррентных нейронных сетей
9.7. Обратное распространение ошибки через время
10. Современные рекуррентные нейронные сети
10.1. Долгая краткосрочная память (LSTM)
10.2. Блоки с управляемыми переходами (GRU)
10.3. Глубокие рекуррентные нейронные сети
10.4. Двухнаправленные рекуррентные нейронные сети
10.5. Машинный перевод и набор данных
10.6. Архитектура кодировщик–декодировщик
10.7. Обучение последовательность-в-последовательность для машинного перевода
10.8. Лучевой поиск
11. Механизмы внимания и трансформеры
11.1. Запросы, ключи и значения
11.2. Агрегирование по вниманию на основе сходства
11.3. Функции оценки внимания
11.4. Механизм внимания Бадау
11.5. Многоголовое внимание
11.6. Самовнимание и позиционное кодирование
11.7. Архитектура трансформера
11.8. Трансформеры для компьютерного зрения
11.9. Масштабное предобучение с помощью трансформеров
12. Алгоритмы оптимизации
12.1. Оптимизация и глубокое обучение
12.2. Выпуклость
12.3. Градиентный спуск
12.4. Стохастический градиентный спуск
12.5. Стохастический градиентный спуск на мини-батчах
12.6. Импульс
12.7. Adagrad
12.8. RMSProp
12.9. Adadelta
12.10. Адам
12.11. Планирование скорости обучения
13. Вычислительная производительность
13.1. Компиляторы и интерпретаторы
13.2. Асинхронные вычисления
13.3. Автоматический параллелизм
13.4. Аппаратное обеспечение
13.5. Обучение на нескольких GPU
13.6. Краткая реализация для нескольких GPU
13.7. Серверы параметров
14. Компьютерное зрение
14.1. Аугментация изображений
14.2. Дообучение
14.3. Обнаружение объектов и ограничивающие рамки
14.4. Якорные рамки
14.5. Обнаружение объектов на разных масштабах
14.6. Набор данных для обнаружения объектов
14.7. Однопроходное обнаружение с несколькими боксами
14.8. Региональные свёрточные нейронные сети (R-CNN)
14.9. Семантическая сегментация и набор данных
14.10. Свёртка с транспонированием
14.11. Полностью свёрточные сети
14.12. Перенос нейронного стиля
14.13. Классификация изображений (CIFAR-10) на Kaggle
14.14. Идентификация породы собак (ImageNet Dogs) на Kaggle
15. Обработка естественного языка: Предобучение
15.1. Эмбеддинг слов (word2vec)
15.2. Приближённое обучение
15.3. Раздел учебника: Набор данных для предобучения словесных вложений
15.4. Предобучение word2vec
15.5. Эмбеддинг слов с помощью глобальных векторов (GloVe)
15.6. Эмбеддинг подслов
15.7. Сходство и аналогия слов
15.8. Двухсторонние представления кодировщика на основе трансформеров (BERT)
15.9. Набор данных для предобучения BERT
15.10. Предобучение BERT
16. Обработка естественного языка: приложения
16.1. Анализ тональности и набор данных
16.2. Анализ тональности: использование рекуррентных нейронных сетей
16.3. Анализ тональности: использование свёрточных нейронных сетей
16.4. Вывод в естественном языке и набор данных
16.5. Вывод в естественном языке: использование внимания
16.6. Дообучение BERT для задач на уровне последовательностей и токенов
16.7. Вывод на естественном языке: дообучение BERT
17. Обучение с подкреплением
17.1. Марковский процесс принятия решений (MDP)
17.2. Итерация значений
17.3. Q-обучение
18. Гауссовские процессы
18.1. Введение в гауссовские процессы
18.2. Априорные распределения гаусовских процессов
18.3. Вывод гауссовского процесса
19. Оптимизация гиперпараметров
19.1. Что такое оптимизация гиперпараметров?
19.2. API оптимизации гиперпараметров
19.3. Асинхронный случайный поиск
19.4. Многоуровневая оптимизация гиперпараметров
19.5. Асинхронное последовательное отсечение
20. Генеративно-состязательные сети
20.1. Генеративно-состязательные сети
20.2. Глубокие свёрточные генеративно-состязательные сети
21. Системы рекомендаций
21.1. Обзор систем рекомендаций
22. Приложение: Математика для глубокого обучения
22.1. Геометрия и линейно-алгебраические операции
22.2. Собственные разложения
22.3. Дифференциальное исчисление одной переменной
22.4. Многомерное исчисление
22.5. Интегральное исчисление
22.6. Случайные величины
22.7. Максимальное правдоподобие
22.8. Распределения
22.9. Наивный байесовский классификатор
22.10. Статистика
22.11. Теория информации
23. Приложение: Инструменты для глубокого обучения
23.1. Использование Jupyter Notebook
23.2. Использование Amazon SageMaker
23.3. Использование экземпляров AWS EC2
23.4. Использование Google Colab
23.5. Выбор серверов и графических процессоров
23.6. Вклад в эту книгу
23.7. Вспомогательные функции и классы
23.8. Документация по API
d2l
References
20.
Генеративно-состязательные сети
¶
20.1. Генеративно-состязательные сети
20.1.1. Генерация «реальных» данных
20.1.2. Генератор
20.1.3. Дискриминатор
20.1.4. Обучение
20.1.5. Итоги
20.1.6. Упражнения
20.2. Глубокие свёрточные генеративно-состязательные сети
20.2.1. Раздел учебника: Набор данных по покемонам
20.2.2. Генератор
20.2.3. Дискриминатор
20.2.4. Обучение
20.2.5. Итоги
20.2.6. Упражнения
Previous
19.5. Асинхронное последовательное отсечение
Next
20.1. Генеративно-состязательные сети
