创造全新现实：从自动编码器、对抗网络到深度伪造

本书从深度学习的基础理论开始，由浅入深，逐渐过渡到生成式建模的技术和应用。本书涵盖主题广泛，技术复杂，但尽量以实用示例和浅显语言对技术细节进行阐述。建议读者掌握Python编程和应用数据科学的基本知识，包括微积分中典型的基础数学知识、线性代数和数据科学中常用的统计学等，以方便理解本书内容。

1.服务于对抗的空间环境与空间目标仿真系统，军队科技进步一等奖，2009，排名5；2.基于单位四元数的无初值依赖空间后方交会，河南省自然科学优秀学术论文一等奖，2010，排名1；3.高原地区遥感影像目标定位技术应用研究，军队科技进步二等奖，2014，排名2；4.**技术研究，部队军事理论研究成果二等奖，2021，排名1。

目录
“电子与信息作战丛书”序
译者序
原书前言
第1章 深度学习基础 1
1.1 前提条件 1
1.2 感知器 3
1.3 多层感知器 10
1.3.1 反向传播 11
1.3.2 随机梯度下降法 12
1.4 PyTorch和深度学习 13
1.5 回归分析 15
1.6 分类 19
1.6.1 独热编码 20
1.6.2 MNIST手写数字数据集 21
1.7 本章小结 24
第2章 生成式建模 25
2.1 基于自动编码器的无监督学习 25
2.2 利用卷积提取特征 30
2.3 卷积自动编码器 34
2.4 生成对抗网络 39
2.5 深度卷积生成对抗网络 44
2.6 本章小结 48
第3章 隐藏空间 49
3.1 深度学习原理 49
3.1.1 函数拟合 50
3.1.2 微积分的局限性 53
3.1.3 爬山算法 53
3.1.4 过拟合和欠拟合 56
3.2 变分自动编码器 60
3.3 数据分布学习 64
3.4 隐藏空间可视化 69
3.5 本章小结 72
第4章 生成对抗网络 73
4.1 特征理解和深度卷积生成对抗网络 73
4.2 生成对抗网络的数学基础 79
4.3 瓦氏生成对抗网络 81
4.4 边界搜索生成对抗网络 84
4.5 相对生成对抗网络 87
4.6 条件生成对抗网络 90
4.7 本章小结 93
第5章 图像到图像的内容生成 94
5.1 用UNet模型分割图像 94
5.2 用Pix2Pix转换图像 100
5.3 用DualGAN实现双向转换 105
5.4 用BicycleGAN控制隐藏空间 108
5.5 用DiscoGAN实现场景风格转换 111
5.6 本章小结 114
第6章 残差生成对抗网络 115
6.1 残差网络 115
6.2 利用CycleGAN实现再次循环 120
6.3 用StarGAN创建人脸 124
6.4 迁移学习的优势 128
6.5 用SRGAN提高生成图像分辨率 131
6.6 本章小结 134
第7章 注意力机制 135
7.1 注意力的基本概念 135
7.1.1 注意力的类型 137
7.1.2 应用注意力 139
7.2 用注意力增强卷积 142
7.3 利普希茨连续性 145
7.4 自注意力生成对抗网络 149
7.5 自注意力生成对抗网络的改进 152
7.6 本章小结 155
第8章 高级生成器 156
8.1 渐进式生成对抗网络 156
8.2 基于StyleGAN2的样式设计 160
8.2.1 映射网络 161
8.2.2 样式模块 162
8.2.3 弗雷歇初始距离 164
离8.2.4 StyleGAN2 165
8.3 DeOldify和新型NoGAN 169
8.4 基于ArtLine的艺术表现 173
8.5 本章小结 176
第9章 深度伪造和换脸 177
9.1 换脸工具介绍 178
9.2 换脸数据的收集 181
9.3 深度伪造的工作流程 185
9.3.1 提取人脸 186
9.3.2 分类和删除人脸 188
9.3.3 重新调整对齐文件 190
9.4 换脸模型的训练 191
9.5 深度伪造视频的制作 193
9.6 本章小结 197
第10章 深度伪造内容的检测 198
10.1 人脸操作方法 199
10.2 伪造检测技术 201
10.2.1 手工提取的特征 201
10.2.2 基于学习的特征 202
10.2.3 伪造图像 204
10.3 识别深度伪造中的伪造内容 207
10.4 本章小结 208
附录A 本地运行GoogleColab 210
附录B 打开笔记本 212
附录C 连接GoogleDrive并保存 213