【簡介】 生成式AI是科技界最熱門的主題。本書以實務導向，教導機器學習工程師與資料科學家們如何使用 TensorFlow 與 Keras 來從頭做出令人讚嘆的生成深度學習模型，包含變分自動編碼器（VAE）、生成對抗網路（GAN）、Transformer、正規化流、能量模型與降噪擴散模型。 本書從深度學習的基礎開始，逐步談到最尖端的架構。透過各種提示與小技巧，您將理解如何讓模型更有效地學習並變得更富有創造力。 ．探索如何使用VAE（變分自動編碼器）來修改照片中的臉部表情 ．訓練各種GAN（生成對抗網路）以根據您專屬的資料集來生成圖像 ．建置擴散模型來生成新品種的花卉 ．自行訓練GPT來生成文字 ．了解像ChatGPT這樣的大型語言模型是如何訓練的 ．探索StyleGAN2與ViT-VQGAN這類最新架構 ．使用變換器（Transformer）和MuseGAN編寫多聲部音樂 ．理解生成世界模型如何解決強化學習任務 ．深入研究DALL.E 2、Imagen和Stable Diffusion這類多模態模型 本書還探討了生成式AI的未來，以及個人和公司如何藉由積極著手運用這項非凡的新技術來創造競爭優勢。 「這是一本淺顯易懂的絕佳入門書，介紹生成建模的各種深度學習套件。如果您喜歡寫點程式並希望將深度學習應用於工作中的創意從業者，這本書保證適合您。」 ——Stability AI策略部門主管David Ha—— 「這本書超級棒，深入介紹了各種最新生成式深度學習背後的所有主要技術。這是對AI中最迷人領域的一趟引人入勝探索之旅！」 ——Keras創辦人François Chollet—— 【目錄】 【第一篇 認識生成深度學習】 chapter 1　生成建模 　什麼是生成建模？ 　chapter一個生成式模型 　核心機率理論 　生成模型分類 　生成深度學習程式庫 chapter 2　深度學習 　深度學習的資料 　深度神經網路 　多層感知器（MLP） 　卷積神經網路（CNN） 【第二篇 方法】 chapter 3　變分自動編碼器 　簡介 　自動編碼器 　變分自動編碼器 　探索潛在空間 chapter 4　生成對抗網路 　簡介 　深度卷積生成對抗網路（DCGAN） 　具梯度懲罰的 Wasserstein GAN（WGAN-GP） 　條件生成對抗網路（CGAN） chapter 5　自迴歸模型 　簡介 　長短期記憶網路（LSTM） 　遞歸神經網路（RNN）的延伸 　PixelCNN chapter 6　正規化流模型 　簡介 　正規化流 　RealNVP 　其他正規化流模型 chapter 7　能量模型 　簡介 　能量模型 　總結 chapter 8　擴散模型 　簡介 　降噪擴散模型（DDM） 　總結 【第三篇 應用】 chapter 9　Transformer 　簡介 　GPT 　其他 Transformer 模型 　總結 chapter 10　進階 GAN 　簡介 　ProGAN 　StyleGAN 　StyleGAN2 　其他重要的 GAN chapter 11　音樂生成 　簡介 　音樂生成的 Transformer 模型 　MuseGAN 　總結 chapter 12　世界模型 　簡介 　強化學習 　世界模型概述 　收集隨機推演資料 　訓練 VAE 　收集資料以訓練 MDN-RNN 　訓練 MDN-RNN 　訓練控制器 　夢境訓練 chapter 13　多模態模型 　簡介 　DALL.E 2 　Imagen 　Stable Diffusion 　Flamingo chapter 14　結語 　生成式 AI 的時間軸 　生成式 AI 的現狀 　生成式 AI 的未來 　最終想法 索引