دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Micheal Lanham
سری:
ISBN (شابک) : 9781484270929
ناشر: Apress
سال نشر: 2021
تعداد صفحات:
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 15 Mb
در صورت تبدیل فایل کتاب From Autoencoders and Adversarial Networks to Deepfakes به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب از رمزگذارهای خودکار و شبکه های متخاصم تا Deepfakes نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
Table of Contents About the Author About the Technical Reviewer Acknowledgments Introduction Chapter 1: The Basics of Deep Learning Prerequisites The Perceptron The Multilayer Perceptron Backpropagation Stochastic Gradient Descent PyTorch and Deep Learning Understanding Regression Over- and Underfitting Classifying Classes One-Hot Encoding Classifying MNIST Digits Conclusion Chapter 2: Unleashing Generative Modeling Unsupervised Learning with Autoencoders Extracting Features with Convolution The Convolutional Autoencoder Generative Adversarial Networks Deep Convolutional GAN Conclusion Chapter 3: Exploring the Latent Space Understanding What Deep Learning Learns Deep Learning Function Approximation The Limitations of Calculus Deep Learning Hill Climbing Over- and Underfitting Building a Variational Autoencoder Learning Distributions with the VAE Variability and Exploring the Latent Space Conclusion Chapter 4: GANs, GANs, and More GANs Feature Understanding and the DCGAN Unrolling the Math of GANs Resolving Distance with WGAN Discretizing Boundary-Seeking GANs Relativity and the Relativistic GAN Conditioning with CGAN Conclusion Chapter 5: Image to Image Content Generation Segmenting Images with a UNet Uncovering the Details of a UNet Translating Images with Pix2Pix Seeing Double with the DualGAN Riding the Latent Space on the BicycleGAN Discovering Domains with the DiscoGAN Conclusion Chapter 6: Residual Network GANs Understanding Residual Networks Cycling Again with CycleGAN Creating Faces with StarGAN Using the Best with Transfer Learning Increasing Resolution with SRGAN Conclusion Chapter 7: Attention Is All We Need! What Is Attention? Understanding the Types of Attention Applying Attention Augmenting Convolution with Attention Lipschitz Continuity in GANs What Is Lipschitz Continuity? Building the Self-Attention GAN Improving on the SAGAN Conclusion Chapter 8: Advanced Generators Progressively Growing GANs Styling with StyleGAN Version 2 Mapping Networks Style Modules Removing Stochastic/Traditional Input Stochastic Variation (Noisy Inputs) Mixing Styles Truncation of W Hyperparameter Tuning Frechet Inception Distance StyleGAN2 Weight Demodulation Path Length Regularization Lazy Regularization No Growing Large Networks DeOldify and the New NoGAN Colorizing and Enhancing Video Being Artistic with ArtLine Conclusion Chapter 9: Deepfakes and Face Swapping Introducing the Tools for Face Swapping Gathering the Swapping Data Downloading YouTube Videos for Deepfakes Understanding the Deepfakes Workflow Extracting Faces Sorting and Trimming Faces Realigning the Alignments File Training a Face Swapping Model Creating a Deepfake Video Encoding the Video Conclusion Chapter 10: Cracking Deepfakes Understanding Face Manipulation Methods Techniques for Cracking Fakes Handcrafted Features Learning-Based Features Artifacts Identifying Fakes in Deepfakes Conclusion Appendix A: Running Google Colab Locally Appendix B: Opening a Notebook Appendix C: Connecting Google Drive and Saving Index