CHAPTER 1 생성 모델링
1.1 생성 모델링이란?
1.2 확률적 생성 모델
1.3 생성 모델의 난관
1.4 환경 설정
1.5 요약
CHAPTER 2 딥러닝
2.1 정형 데이터와 비정형 데이터
2.2 심층 신경망
2.3 첫 번째 심층 신경망
2.4 모델 성능 향상
2.5 요약
CHAPTER 3 VAE - 변이형 오토인코더
3.1 미술 전시회
3.2 AE - 오토인코더
3.3 변경된 미술 전시회
3.4 VAE 만들기
3.5 VAE를 사용하여 얼굴 이미지 생성
3.6 요약
CHAPTER 4 GAN - 생성적 적대 신경망
4.1 애니멀간
4.2 GAN 소개
4.3 첫 번째 GAN
4.4 GAN의 도전 과제
4.5 WGAN - 와서스테인 GAN
4.6 WGAN-GP
4.7 요약
CHAPTER 5 그리기
5.1 사과와 오렌지
5.2 CycleGAN 소개
5.3 첫 번째 CycleGAN
5.4 CycleGAN으로 모네 그림 그리기
5.5 뉴럴 스타일 트랜스퍼
5.6 요약
CHAPTER 6 쓰기
6.1 고약한 범법자를 위한 문학 클럽
6.2 LSTM 네트워크 소개
6.3 첫 번째 LSTM 네트워크
6.4 새로운 텍스트 생성
6.5 RNN 확장
6.6 인코더-디코더 모델
6.7 질문-대답 생성기
6.8 요약
CHAPTER 7 작곡하기
7.1 준비 사항
7.2 첫 번째 음악 생성 RNN
7.3 MuseGAN 소개
7.4 첫 번째 MuseGAN
7.5 MuseGAN 생성자
7.6 MuseGAN 비평자
7.7 MuseGAN 분석
7.8 요약
CHAPTER 8 게임하기
8.1 강화학습
8.2 월드 모델 구조
8.3 환경 설정
8.4 훈련 과정
8.5 랜덤한 롤아웃 데이터 수집
8.6 VAE 훈련
8.7 RNN 훈련 데이터 수집
8.8 MDN-RNN 훈련
8.9 컨트롤러 훈련
8.10 꿈속에서 훈련하기
8.11 요약
CHAPTER
만들 수 없다면 이해하지 못한 것이다. (리처드 파인만
최근 생성 모델링 분야에서 가장 널리 사용하고 창조적인 작업에서 인상적인 진전을 이루어낸 주요 기술을 다룹니다. 핵심적인 생성 모델링 이론을 살펴보고 논문에 소개된 일부 주요 모델에 예제를 만들고 단계별로 코드를 살펴봅니다.
주요 내용
● 변이형 오토인코더가 사진 속 얼굴 표정을 어떻게 바꾸는지 알아보기
● 스타일을 변경하는 CycleGAN과 음악을 생성하는 MuseGAN을 사용한 GAN 예제
● 텍스트를 생성하는 순환 생성 모델을 만들고 어텐션을 사용하여 모델 성능 향상시키기
● 생성 모델이 어떻게 강화학습 환경에서 작업을 완수하려는 에이전트를 돕는지 이해하기
● 트랜스포머(BERT, GPT-2, ProGAN, StyleGAN 같은 이미지 생성 모델의 구조 살펴보기
이 책의 구성
_1장 생성 모델링
기본적인 확률 모델을 사용한 첫 번째 예제를 살펴보고 생성 모델링 작업의 복잡도가 증가할 때 딥러닝이 필요한 이유를 분석해봅니다.
_2장 딥러닝
복잡한 생성 모델을 만들기 위해 필요한 딥러닝 도구와 기술을 소개합니다. 딥러닝 분야의 이론적 배경보다는 실용적인 가이드를 제공합니다.
_3장 변이형 오토인코더(VAE
생성 딥러닝 모델인 변이형 오토인코더를 살펴봅니다. 실제와 같은 얼굴을 생성할 뿐만 아니라 기존 이미지를 변경합니다.
_4장 생성적 적대 신경망(GAN
생성적 적대 신경망을 살펴봅니다. 모델을 세부 튜닝하는 방법과 생성 모델링 영역을 지속적으로 확장하는 새로운 기법을 알아봅니다.
_5장 그리기
GAN 구조를 사용하여 모델이 사진을 특정 스타일의 그림으로 (또는 그 반대로 변환하는 CycleGAN을 배웁니다. 또한 그림의 스타일을 사진으로 전달하여 마치 동일한 화가가 그린 듯한 효과를 내는 뉴럴 스타일 트랜스퍼 기술도 살펴봅니다.
_6장 쓰기
순차 데이터가 포함된 문제를 다루는 순환 신경망(RNN 구조를 소개합니다. 또한 인코더-디코더
