爆量行銷

類似書籍推薦給您

人潮就是錢潮！ 行銷活動的基本，吸引目光的祕訣， 想成功引起消費者注意， 你的行銷活動要比別人更有「創意」！ 討論度就是暢銷度！ 行銷活動的運用，誘人購買的技巧， 想成功打造爆量商品， 你的行銷活動要比別人更有「爆發力」！ 具有爆發力的創意行銷活動能夠： 「引起討論 → 分享傳播 → 媒體報導 → 消費者上門」 如此便能，吸引人潮，帶來錢潮！ ★☆★☆ 創意吸睛，把「關注度」轉換成「暢銷度」！☆★☆★ 行銷人員 | 社群小編 | 公關公司 | 電商賣家 | 網紅 都適用。 ★☆★☆ 虛實整合，把「行銷」有效轉換成「銷量」！☆★☆★ 品牌 | 社群媒體 | 行銷活動 | 戶外 | 電視 |海報 都能做。 不冒險就不會贏，不創新就等死， 《爆量行銷：打破常規、讓人買單的7大行銷力！》 教你如何在實體店面吸引人潮，帶來錢潮！ 教你如何在網路世界叱?風雲，熱銷世界！ 讓你關注度爆表！討論度爆高！銷售度爆量！ ■ 沒創意，就沒錢！ 快節奏變化的市場，只有與眾不同、引人注目的行銷活動才有機會成功。行銷唯有超越平庸，才能卓越成功。 創意是明天的貨幣，不想成為沒有創意的行銷赤貧族，就跟著書中成功的案例學習，打造自己的行銷才庫。 ■ 能成功，就有理！ 好的行銷無關乎理性和算計，想喚起別人的注意，就要不斷撩撥他的神經！ 書中收錄引領「瘋潮」的100個行銷案例，想做到吸引目光，就必須打破常規。化不可能為可能才是成功的行銷。 ■ 向平庸無奇的行銷活動say NO! 《爆量行銷：打破常規、讓人買單的7大行銷力！》收錄100個國際品牌廣告的成功創意、行銷案例，是所有行銷人員的致勝寶典。 ☆ 完全適用：品牌、戶外、電視 & 病毒行銷、社群媒體、行銷活動、海報 & 印刷、手機應用 & 網路……等類項。 ☆ 完全滿足：行銷人員、社群小編、公關公司、電商賣家、自營業者、網紅、KOL……的需求。 ■ 給我們更有趣的行銷活動！ ☆ 如果你是「洗車場」的業主，你會…… 給愛乾淨的顧客一個髒廣告！灰塵加上縷空紙板，骯髒車窗搖身成為洗車優惠券。（見書中第105頁） ☆ 如果你是「啤酒商」的行銷人員，你會…… 打造現場體驗活動，邀請消費者一起參與，靜止不動3分鐘就能免費獲得一瓶啤酒。（見書中第169頁） ☆ 如果你是「家用電器」的社群小編，你會…… 「Will It Blend?」一個簡單問題，讓研磨機家電充滿吸引力，引爆全球詢問熱潮。（見書中第195頁） ■ 抓住眼球、深入人心的行銷操控技巧！ 不同於脫離實際的說教，這本書的說服力在於鮮活的日常案例。作者用豐富多彩的細節將廣告的祕密公之於眾，而他們輕鬆有趣的闡述也足以證明，他們真的懂行銷。／德國 Handelsblatt《商報》 在行銷的世界中，什麼是失敗的，什麼是該更好的──珍妮˙哈雷尼和赫曼˙謝勒不僅道出一個行業變革的關鍵，更難能可貴的是，他們還做到其他專業作家鮮有做到的一點：娛樂精神。／德國雜誌 WERBEN & VERKAUFEN《廣告與銷售》 本書改版自2020年出版《拒絕平庸：100個抓住眼球的市場行銷個案》 ★目錄： 01 廣告是幻想的遊戲，真正的廣告需要的是「創意」，而不是表面的華麗。 ＿＿赫曼．謝勒的序言 02 規則是多餘的！要做到吸引目光，你必須「打破常規」。 ＿＿珍妮．哈雷尼的前言 03 不冒險就不會成功。創意是未來的貨幣，廣告必須要「打動人心」！ ＿＿珍妮．哈雷尼和赫曼．謝勒的引言 04 向最好的行銷案例學習。能成功，就有理！ 4.1 品牌｜行銷品牌不需要顧客，需要的是「粉絲」！ 4.2 戶外｜敢於展示，就能吸引注意！ 4.3 電視 & 病毒行銷｜標新立異，就能立於不敗之地！ 4.4 社交媒體｜在墜落之前，要先變得更出眾！ 4.5 行銷活動｜用尋常的話語，說出不尋常的東西！ 4.6 海報 & 印刷｜沒有故事，就沒有銷售！ 4.7 手機應用 & 網路｜想吸引注意，就要先撩撥他的神經！ 05 創造並引領新潮流，顧客就是最好的廣告。 珍妮˙哈雷尼與7個企業主的對談 5.1 健身第一（Fitness First）｜創造新的健身潮流 5.2 奧托集團（Otto Group）｜讓品牌成為創新的先鋒 5.3 NEU.DE｜品牌加上體驗，才是聰明的行銷手法 5.4 剪之角（Cut Corner）｜非凡的體驗，讓顧客成為粉絲 5.5 現代汽車（Hyundai Motor Deutschland GmbH）｜想辦法做到沒辦法做的事 5.6 DocCheck｜不只服務市場，更要創造市場 5.7 科隆動物園（Kolner Zoo）｜把耳朵貼在市場上

拒絕平庸

類似書籍推薦給您

創意是明天的貨幣， 100個抓住眼球的市場行銷個案， 帶領你不斷尋找下一個「哇嗚」效應！ 　　好的行銷無關乎理性和算計， 　　想喚起別人的注意，就要不斷撩撥他的神經！ 　　不冒險就不會贏， 　　不創新就等死， 　　《拒絕平庸：100個抓住眼球的市場行銷個案》 　　教你將最微小的想法，轉變成最偉大的創意！ 　　用尋常的話語，說出不尋常的故事！ 　 　　■ 向平庸無奇的行銷活動say NO！ 　　快節奏變化的市場，行銷也要超前部署，但若只是簡單地做到與眾不同，已經沒有效果，唯有超越平庸，才能卓越成功。 　　《拒絕平庸：100個抓住眼球的市場行銷個案》收錄100個國際品牌廣告的成功創意、行銷案例，是所有行銷人員的致勝寶典。 　　【完全適用於】 　　品牌 | 戶外 | 電視 & 病毒行銷 | 社群媒體 | 行銷活動 | 海報 & 印刷 | 手機應用 & 網路 　　■ 能吸引注意力，就是最好的行銷！ 　　案例1 　　「百得（Pattex）」為了宣傳萬能膠的黏著力，在德國足球賽的球門後，放置塗滿萬能膠的廣告看板，結果所有沒有成功射門的足球都黏在看板上，展現難以置信的黏著力，總共吸引6萬名現場觀眾＋900萬電視轉播觀眾的注意力。 　　案例2 　　「愛希博恩（Eichborn）」出版社在法蘭克福書展發放「會飛的廣告紙條」，在200隻蒼蠅身上固定好紙條後放飛到展館中，成功獲得獨一無二的關注，吸睛率高達100％，相關影片點擊超過80萬次。 　　案例3 　　巴西的C&A服飾店在衣架上裝有電子顯示器，即時顯示該款服飾在Facebook上的按讚數，透過虛實整合，既增加臉書粉絲，也提高產品能見度、增進銷售。 　　■ 抓住眼球、深入人心的行銷操控技巧！ 　　不同於脫離實際的說教，這本書的說服力在於鮮活的日常案例。作者用豐富多彩的細節將廣告的祕密公之於眾，而他們輕鬆有趣的闡述也足以證明，他們真的懂行銷。／德國 Handelsblatt《商報》 　　在行銷的世界中，什麼是失敗的，什麼是該更好的──珍妮˙哈雷尼和赫曼˙謝勒不僅道出一個行業變革的關鍵，更難能可貴的是，他們還做到其他專業作家鮮有做到的一點：娛樂精神。／德國雜誌 WERBEN & VERKAUFEN《廣告與銷售》

跟 NVIDIA 學深度學習！從基本神經網路到 CNN‧RNN‧LSTM‧seq2seq‧Transformer‧GPT‧BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎 (1版)

類似書籍推薦給您

內容介紹 ▍AI 界扛霸子 NVIDIA 的深度學習 (Deep Learning) 指定教材！ ▍GPT、Transformer、seq2seq、self-attention 機制...大型語言模型 (LLM) 背後的先進技術「硬派」揭密！ 近年來，在 NVIDIA (輝達) GPU、CUDA 技術的推波助瀾下，深度學習 (Deep Learning) 領域有著爆炸性的成長，例如最為人知的 ChatGPT 正是運用深度學習技術開發出來的當紅應用。 【★學深度學習，跟 AI 重要推手 - NVIDIA 學最到位！】 除了硬體上的助益外，為了幫助眾多初學者快速上手深度學習，任職於 NVIDIA 的本書作者 Magnus Ekman 凝聚了他多年來在 NVIDIA 所積累的 AI 知識撰寫了本書。除了介紹深度學習基礎知識外，也包括此領域的最新重要進展。本書同時也是 NVIDIA 的教育和培訓部門 -【深度學習機構 (Deep Learning Institute, DLI)】 指定的培訓教材 (https://www.nvidia.com/zh-tw/training/books/)。 要學深度學習，跟深度學習的重要推手 NVIDIA 學就對了！眾多紮實的內容保證讓你受益滿滿！ 【★機器視覺、生成式 AI 語言模型 100% 從零開始打造！】 在深度學習的教學上，本書將從神經網路的底層知識 (梯度下降、反向傳播...) 介紹起，帶你打好深度學習的底子。接著會介紹用 Colab 雲端開發環境 + tf.Keras 建構、調校多層神經網路，以及經典的 CNN (卷積神經網路) 圖形辨識模型建構...等機器視覺主題。最後則邁入自然語言處理 (NLP) 領域，在介紹完基本的 RNN / LSTM 知識後，以先進的 Transformer、GPT...語言模型架構做結。 尤其自從 ChatGPT 爆紅之後，自然語言處理 (NLP) 一直是深度學習的熱門研究話題，而這部分正是本書最精彩之處！ RNN / LSTM 神經網路雖然問世已有一段時間，現今一些先進的 NLP 模型或許不會用它們來建構，但由它們衍生出來的 hidden state (隱藏狀態) 概念可說是重中之重，我們會帶你好好熟悉，以便能跟後續章節順利銜接上。 之後則會利用各種神經網路技術帶你實作【多國語言翻譯模型】、【Auto-Complete 文字自動完成模型】...等範例。從處理原始文字訓練資料 → 切割資料集 → 建構模型 → 模型調校、優化，從頭到尾示範一遍，帶你紮穩大型語言模型 (LLM) 的建模基礎。 令小編最印象深刻的是，本書所設計的 NLP 章節內容可說是「環環相扣」，從 RNN / LSTM 章節初次觸及 NLP 模型開始，次一章的模型架構幾乎都是為了解決前一章模型的特定問題而生的。這種層層舖墊的獨到方式能讓你深刻理解 RNN / LSTM / seq2seq / encoder-decoder / attention / self-attention 機制...等技術的發展脈絡，對於看懂 Transformer、GPT 等最先進的神經網路技術有莫大的幫助，這絕對是其他書看不到的精彩內容！ 本書特色 □【徹底看懂 ChatGPT 背後核心技術 - GPT 的模型架構】 GPT、Transformer、encoder-decoder、seq2seq、self-attention 機制、attention 機制、query-key-value 機制、Multi-head、位置編碼 (positional encoding)、預訓練 (pre-train)、微調 (fine-tune)...各種建模技術輕鬆搞懂！ □【生成式 AI 語言模型 100% 從零開始打造！】 ‧用 Colab + tf.Keras 實作多國語言翻譯模型、Auto-Complete 文字自動完成模型 ‧從處理原始文字訓練資料 → 切割資料集 → 建構模型 → 模型調校、優化，從頭到尾示範一遍，帶你紮穩大型語言模型 (LLM) 的建模基礎 □【深度學習基礎知識學好學滿】 ‧紮穩根基！不被損失函數 / 梯度下降 / 反向傳播 / 正規化 / 常規化…一拖拉庫技術名詞搞的暈頭轉向！ ‧深度神經網路基礎 / CNN / RNN / LSTM...概念詳解。 ‧多模態學習 (multimodal learning)、多任務學習 (multitask learning)、自動化模型架構搜尋...熱門主題介紹。 □詳細解說, 流暢翻譯 本書由【施威銘研究室】監修, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！ 書籍目錄 Ch01 從感知器看神經網路的底層知識 1-1 最早的人工神經元 - Rosenblatt 感知器 1-2 增加感知器模型的能力 1-3 用線性代數實現神經網路模型 Ch02 梯度下降法與反向傳播 2-1 導數的基礎概念 2-2 以梯度下降法 (gradient descent) 對模型訓練問題求解 2-3 反向傳播 (back propagation) Ch03 多層神經網路的建立與調校 3-1 動手實作：建立辨識手寫數字的多層神經網路 3-2 改善神經網路的訓練成效 3-3 實驗：調整神經網路與學習參數 Ch04 用卷積神經網路 (CNN) 進行圖片辨識 4-1 卷積神經網路 (CNN) 4-2 實作：以卷積神經網路做圖片分類 4-3 更深層的 CNN 與預訓練模型 Ch05 用循環神經網路 (RNN、LSTM...) 處理序列資料 5-1 RNN 的基本概念 5-2 RNN 範例：預測書店銷售額 5-3 LSTM (長短期記憶神經網路) 5-4 LSTM 範例：文字的 Auto-Complete 機制 Ch06 自然語言處理的重要前置工作：建立詞向量空間 6-1 詞向量空間的基本知識 6-2 做法(一)：在神經網路建模過程中「順便」生成詞向量空間 6-3 做法(二)：以 word2vec、GloVe 專用演算法生成詞向量空間 Ch07 用機器翻譯模型熟悉 seq2seq 架構 7-1 機器翻譯模型的基本知識 7-2 機器翻譯的範例實作 7-2-1 tf.Keras 函數式 API 簡介 7-2-2 建構模型前的工作 7-2-3 建構模型 7-2-4 訓練及測試模型 7-2-5 實驗結果 Ch08 認識 attention 與 self-attention 機制 8-1 熟悉 attention 機制 8-2 認識 self-attention 機制 8-2-1 self-attention 的基本概念 8-2-2 self-attention 機制的算法 8-2-3 multi-head (多頭) 的 self-attention 機制 Ch09 Transformer、GPT 及其他衍生模型架構 9-1 Transformer 架構 9-1-1 編碼器端的架構 9-1-2 解碼器端的架構 9-1-3 Transformer 內的其他設計 9-1-4 小編補充：觀摩 keras 官網上的 Transformer 範例 9-2 Transformer 架構的衍生模型：GPT、BERT 9-2-1 認識 GPT 模型 9-2-2 認識 BERT 模型 9-2-3 其他從 Transformer 衍生出的模型 附錄 A 延伸學習 (一)：多模態、多任務...等模型建構相關主題 附錄 B 延伸學習 (二)：自動化模型架構搜尋 附錄 C 延伸學習 (三)：後續學習方向建議 附錄 D 使用 Google 的 Colab 雲端開發環境

深度學習的16堂課：CNN + RNN + GAN + DQN + DRL，看得懂、學得會、做得出！

類似書籍推薦給您

內容簡介 Ⓞ 16 堂課引領入門，學得會、做得順的絕佳教材！ Ⓞ最詳盡的深度學習基石書，CNN + RNN + GAN + DQN + DRL 各種模型學好學滿 　　初學者想要自學深度學習 (Deep Learning)，可以在市面上找到一大堆「用 Python 學深度學習」、「用 xxx 框架快速上手深度學習」的書；也有不少書說「請從數學複習起！」，捲起袖子好好探究底層那些數學原理......但過早切入工具的學習、理論的探究，勢必對連深度學習的概念都還一知半解的初學者形成極大的學習門檻： 　　「我連什麼是深度學習？它是如何呈現、被使用的？都還模模糊糊，怎麼一下子就叫我 K Python、K 建模技術、K 數學......了？」 　　「程式號稱再怎麼短，始終還是讓人無感，模型跑出來準確率 95.7% → 96.3%...那就是深度學習的重點？」 　　【精心設計循序漸進 16 堂課，帶你無痛起步！】 　　為了徹底解決入門學習時的混亂感，本書精心設計循序漸進的 16 堂課，將帶你「無痛起步」，迅速掌握深度學習的重點。 　　本書共分成 4 大篇、16 堂課。第 1 篇會利用 4 堂課 (零程式！零數學！) 帶你從深度學習在【機器視覺】、【自然語言處理】、【藝術生成】和【遊戲對局】 4 大領域的應用面看起，這 4 堂課不光是介紹，內容會安插豐富的線上互動網站，讓讀者可以實際上網操作，立刻體驗深度學習各種技術是如何呈現的。不用懂程式、啃理論，本篇適合任何人閱讀，絕對看得懂、做得順，可以對深度學習瞬間有感！ 　　有了第 1 篇這些知識做為基礎，你就可以抱著踏實的心情跟著第 2～4 篇這 12 堂課一一學習 4 大領域背後所用的技術，包括卷積神經網路 (CNN)、循環神經網路 (RNN)、對抗式生成網路 (GAN)、深度強化式學習 (DRL)...等等。學習時我們選擇了馬上就可以動手的 Google Colab 線上開發環境搭配 tf.Keras 框架來實作，閱讀內文時請務必搭配書中提供的範例程式動手演練。期盼透過這 16 堂課的學習，能夠讓學習曲線平滑、順暢，不用迂迴曲折地浪費時間。 　　最後要說明的是，本書所有範例都是最精簡的版本，以方便引領讀者理解 AI 的原理。"師父領進門，修行在個人，AI 才在萌芽階段，以後海闊天空，鼓勵大家不斷精進、勇往直前！"　 目錄 Part01 深度學習簡介－從應用面看起 Ch01 生物視覺與機器視覺 (Biological and Machine Vision) 1.1 生物視覺 (Biological Vision) 1.2 機器視覺 (Machine Vision) 1.3 上 TensorFlow Playground 網站體驗深度學習 1.4 上限時塗鴉 (Quick Draw!) 網站體驗即時的深度學習運算能力 1.5 總結 Ch02 用機器處理自然語言 (Natural Language Processing) 2.1 深度學習 + 自然語言處理 2.2 將語言量化 2.3 Google Duplex 的自然語言功力 2.4 總結 Ch03 機器藝術 (Machine Arts)：對抗式生成網路 (Generative Adversarial Network) 概述 3.1 對抗式生成網路的源起 3.2 經由「計算」生成假的人臉 3.3 風格轉移 (Style transfer) – CycleGAN 3.4 將自己手繪的塗鴉轉換成照片 – cGAN 3.5 憑文字敘述就生成擬真圖片 – StackGAN 3.6 使用深度學習進行影像處理 3.7 總結 Ch04 遊戲對局 (Game-Playing Machines)：Alpha Go、DQN (Deep Q Network)、RL (Reinforcement Learning) 概述 4.1 強化式學習 (Reinforcement Learning) 4.2 深度強化式學習 (Deep Reinforcement Learning) 4.3 深度強化式學習的應用 (一)：電子遊戲 4.4 深度強化式學習的應用 (二)：棋盤類遊戲 4.5 深度強化式學習在真實世界的應用：操控物體 4.6 常用的深度強化式學習模擬環境 4.7 總結 Part02 深度學習的核心概念 - 神經網路 (Neural Network) Ch05 先動手實作！5 行程式體驗神經網路模型 5.1 熟悉 Google Colab 執行環境 5.2 用 tf.Keras 套件建立淺層神經網路 5.3 總結 Ch06 神經網路的基礎：人工神經元和激活函數 6.1 認識生物神經網路 6.2 最早期的神經元：感知器 (Perceptron) 6.3 神經元的激活函數 (Activation Function) 6.4 激活函數的選擇 6.5 總結 Ch07 多神經元組成的神經網路 7.1 輸入層 (Input Layer) 7.2 密集層 (Dense Layer) 7.3 用密集神經網路辨識熱狗堡 7.4 用密集神經網路做多個速食的分類 7.5 回顧第 5 章的範例程式 7.6 總結 Ch08 訓練深度神經網路 8.1 損失函數 (Loss Function) 8.2 藉由訓練讓誤差值最小化 8.2.1 梯度下降法 (Gradient Descent) 8.2.2 學習率 (Learning rate) 8.2.3 批次量 (Batch-Size) 與隨機梯度下降法 (SGD) 8.2.4 從局部最小值 (Local Minimum) 脫離 8.3 反向傳播 (Back Propagation) 8.4 規劃隱藏層與各層神經元的數量 8.5 範例：建構多層神經網路 8.6 總結 Ch09 改善神經網路的訓練成效 9.1 權重初始化 (Weight Initialization) 9.2 解決梯度不穩定的問題 9.3 避免過度配適 (Overfitting) 的技巧 9.4 使用各種優化器 (Optimizer) 9.5 實作：用 tf.Keras 建構深度神經網路 9.6 改試試迴歸 (Regression) 範例 9.7 用 TensorBoard 視覺化判讀訓練結果 9.8 總結 Part03 深度學習的進階技術 Ch10 機器視覺實戰演練 - CNN (Convolutional Neural Network) 10.1 卷積神經網路 (CNN) 10.2 池化層 (Pooling Layer) 10.3 CNN 實作範例 (用 tf.Keras 重現 LeNet-5 經典架構) 10.4 進階的 CNN 技術 (用 tf.Keras 重現 AlexNet 與 VGGNet 架構) 10.5 殘差神經網路 (Residual Network) 10.6 機器視覺的各種應用 10.7 總結 Ch11 自然語言處理實戰演練 (一)：資料預處理、建立詞向量空間 11.1 自然語言資料的預處理 11.2 用 word2vec 建立詞向量空間 11.3 總結 Ch12 自然語言處理實戰演練 (二)：用密集神經網路、CNN 建立 NLP 模型 12.1 前置作業 12.2 進行簡單的資料預處理 12.3 用密集神經網路區分正評、負評 12.4 用 CNN 模型區分正評、負評 12.5 總結 Ch13 自然語言處理實戰演練 (三)：RNN 循環神經網路 13.1 RNN 循環神經網路 13.2 LSTM (長短期記憶神經網路) 13.3 雙向 LSTM (Bi-LSTMs) 13.4 以「函數式 API」建構非序列式 NLP 模型 13.5 總結 Ch14 藝術生成實戰演練 - GAN (Generative Adversarial Network) 14.1 GAN 的基本概念 14.2 《限時塗鴉！》資料集 14.3 建構鑑別器 (Discriminator) 神經網路 14.4 建構生成器 (Generator) 神經網路 14.5 結合生成器與鑑別器, 建構對抗式生成網路 14.6 訓練 GAN 14.7 總結 Ch15 遊戲對局實戰演練 - DRL (Deep Reinforcement Learning)、DQN (Deep Q Network) 15.1 強化式學習 (Reinforcement Learning) 的基本概念 15.2 DQN 的基本概念 15.3 建構 DQN 代理人 15.4 與 OpenAI Gym 環境互動 15.5 DQN 以外的代理人訓練方式 15.6 總結 Part04 AI 與你 Ch16 打造自己的深度學習專案 16.1 探索方向 16.2 晉升更高階的專案 16.3 模型建構流程建議 16.4 軟體 2.0 (Software 2.0) 16.5 通用人工智慧 (AGI) 的進展 16.6 總結 附錄 A 使用 Google 的 Colab 雲端開發環境

GAN 對抗式生成網路 (1版)

類似書籍推薦給您

商品描述 「GAN 是近年來機器學習領域中最有趣的點子！」這是臉書首席 AI 科學家、也是當今深度學習三巨頭之一的 Yann LeCun 對 GAN (對抗式生成網路) 技術下的註解。 GAN 從誕生至今已經創造了許多令人瞠目結舌的驚人應用，從最早貓圖片的自動產生器、虛擬人臉生成器、到 Deepfake 影片/照片換臉特效，都是 GAN 的應用。光是 GAN 的開山論文，被引用次數就足足是 TensorFlow 的 2.5 倍，不只在技術領域，就連麥肯錫 (McKinsey & Company) 等主流媒體，GAN 的相關討論也時常出現。 但要搞懂這最尖端、最熱門的技術可不容易，網路上許多似是而非的說法，加上漏洞百出的數學推導，讓初學者不得其門而入。 本書目標是針對想從基礎開始學習 GAN（對抗式生成網路）的人，提供最可靠的原理教學與實戰指南。我們將從最簡單的範例開始上手，然後介紹各種最先進的 GAN 技術並用程式實作，包括生成高解析度圖片、圖像轉譯、或製作對抗性樣本等。我們會提供最直觀的解說，讓讀者只需要具備基礎的 Python、深度學習、與數學相關知識，就能直接探索這項如魔法般的尖端科技。 我們希望讀者不但能了解 GAN 到目前為止所取得的成就，還能獲得必要的知識與工具來充實自己，以便進一步展開新的應用。對於充滿企圖心的人來說，GAN 可是具有無窮的潛力，一旦上手，未來在學術界或生活應用上必能大放異彩，很高興您能加入我們的行列。 本書特色: ●本書由施威銘研究室監修，內容易讀易懂，並加入大量「編註」與「小編補充」以幫助理解及補充必要知識。 ●內容涵蓋 Autoencoder/VAE 及各種 GAN 技術，包括 DCGAN、PGGAN、SGAN、CGAN、CycleGAN、NS-GAN、Min-Max GAN、WGAN、BigGANigGAN、StyleGAN、...等，還有對抗性樣本、以及 GAN 在醫學界與時尚界的應用案例。 ●不求花俏吸睛，腳踏實地帶你一步步揭開各種 GAN 的神祕面紗。從原理、演算法、架構圖、再到程式實作，讓您一氣呵成、深入體驗 GAN 的奧妙。 ●所有範例程式小編都已在 Colab 上實測過，並針對可能因版本不同而遇到的狀況提供說明及解決方案。建議讀者也在免費的 Colab 上執行範例程式，可避免一些環境設定或相容性等問題。 名人推薦: "全面且深入介紹了 AI 的未來" - Simeon Leyzerzon, Excelsior Software "超級實用, 將理論與實作完美整合" - Dana Robinson, The HDF Group "對於發展快速且應用廣泛的 GAN 知識, 做了非常有系統的介紹" - Grigory V. Sapunov, Intento "出色的寫作、加上易於理解的數學解釋" - Bachir Chihani, C3 "在「程式設計書、學術理論書、網誌」之間取得了極佳的平衡" - Erik Sapper博士, 加利福尼亞州立理工大學 作者簡介 Jakub Langr 畢業於牛津大學，是一間新創公司的聯合創始人，該公司使用 GAN 進行創意和廣告應用。Jakub 自 2013 年起就一直從事資料科學工作，最近則是在 Filtered.com 負責資料科學技術，並在 Mudano 從事資料科學研發工作。他還在伯明翰大學（英國）和眾多民營公司設計並教授資料科學課程，另兼任牛津大學客座講師。他也是《Entrepreneur First》第七屆深度技術人才投資者中的一位駐點創業者。Jakub 還是皇家統計學會的研究員，並受邀在各種國際會議上發表演說。他將本書的全部收益捐給英國非營利心臟基金會。 Vladimir Bok 以優異成績取得哈佛大學計算機科學學士學位。他是在微軟研究院從事音樂風格轉換的相關研究時，見證到 GAN 的巨大潛力。他的工作經驗豐富，從 Y Combinator 投資的新創公司應用資料科學部門，到微軟的領導跨職能計劃皆有涉入。Vladimir 最近在紐約的一家新創公司管理資料科學專案，該公司針對線上旅行與電子商務網站提供機器學習服務，其中不乏《財訊》所列的五百大企業。他將本書的所有收益捐給非營利組織《Girls Who Code》。 目錄大綱 [簡要目錄] 第一篇 GAN 與生成模型入門 1 GAN (對抗式生成網路) 簡介 2 用 Autoencoder (AE) 做為生成模型 3 你的第一個 GAN：生成手寫數字 4 深度卷積 GAN (DCGAN) 第二篇 GAN 的進階課題 5 訓練 GAN 時所面臨的挑戰與解決之道 6 漸進式 GAN (PGGAN) 7 半監督式 GAN (SGAN) 8 條件式 GAN (CGAN) 9 CycleGAN 第三篇 GAN 的實際應用及未來方向 10 對抗性樣本 (Adversarial example) 11 GAN 的實際應用 12 展望未來 [完整目錄] 第一篇 GAN 與生成模型入門 第 1 章 GAN (對抗式生成網路) 簡介 1.1 什麼是 GAN (Generative Adversarial Network)？ 1.2 GAN 如何運作？ 1.3 GAN 的詳細運作流程 1.3.1 GAN 的訓練方式 1.3.2 何時達到均衡 (完成訓練) 1.4 為何要學 GAN？ 第 2 章 用 Autoencoder (AE) 做為生成模型 2.1 生成模型 (Generative model) 簡介 2.2 Autoencoder 的運作原理 2.3 Autoencoder 的架構 2.4 Autoencoder 與 GAN 有何不同？ 2.5 Autoencoder 的用途 2.6 「非監督式」與「自監督式」學習 2.6.1 舊招新用 2.6.2 用 Autoencoder 生成資料 2.6.3 VAE (Variational Autoencoder) 2.7 實例：寫程式實作 VAE 2.8 再論潛在空間 2.9 為何我們還是得用 GAN？ 第 3 章 你的第一個 GAN：生成手寫數字 3.1 GAN 的基礎：對抗訓練 3.1.1 損失函數 3.1.2 訓練過程 3.2 生成器與鑑別器的目標差異 3.2.1 目標衝突 3.2.2 混淆矩陣 (confusion matrix) 3.3 GAN 的訓練程序 3.4 實例：生成手寫數字 3.4.1 匯入模組並設定模型輸入維度 3.4.2 實作生成器 3.4.3 實作鑑別器 3.4.4 建立並編譯訓練所需的模型 3.4.5 撰寫訓練用的函式 3.4.6 顯示生成的圖片 3.4.7 開始訓練模型 3.4.8 檢查結果 3.5 結語 第 4 章 深度卷積 GAN (DCGAN) 4.1 卷積神經網路 (CNN) 4.1.1 卷積濾鏡 (Convolutional filter) 4.1.2 將 CNN 的概念視覺化 4.2 DCGAN 簡史 4.3 批次正規化 (Batch normalization) 4.3.1 了解正規化 4.3.2 批次正規化計算 4.4 實例：用 DCGAN 生成手寫數字 4.4.1 匯入模組並設定模型輸入的維度 4.4.2 實作 DCGAN 的生成器 4.4.3 實作 DCGAN 的鑑別器 4.4.4 建立並運行 DCGAN 4.4.5 模型輸出 4.5 結語 第二篇 GAN 的進階課題 第 5 章 訓練 GAN 時所面臨的挑戰與解決之道 5.1 評估訓練成效的方法 5.1.1 各種可能的評估方法 5.1.2 起始分數 (IS) 5.1.3 Fréchet 初始距離 (FID) 5.2 訓練上的挑戰 5.2.1 逐步增加神經網路的深度 5.2.2 更改賽局的設計與評估方式 5.2.3 Min-Max GAN 5.2.4 非飽和 GAN (NS-GAN) 5.2.5 何時該結束訓練 5.2.6 Wasserstein GAN (WGAN) 5.3 賽局設計的重點整理 5.4 訓練 GAN 的實用技巧 5.4.1 將輸入正規化 5.4.2 批次正規化 5.4.3 梯度懲罰 5.4.4 給鑑別器更多的訓練 5.4.5 避免稀疏梯度 5.4.6 使用標籤平滑或增加標籤雜訊 第 6 章 漸進式 GAN (PGGAN) 6.1 於潛在空間中做插值 6.2 進展快速的 PGGAN 6.2.1 以漸進方式擴充圖層解析度 6.2.2 程式觀摩 6.2.3 小批次標準差 6.2.4 均等學習率 6.2.5 生成器的逐像素特徵正規化 6.3 PGGAN 的關鍵改良總結 6.4 TensorFlow Hub 入門 6.5 實際應用 第 7 章 半監督式 GAN (SGAN) 7.1 認識 SGAN 7.1.1 什麼是 SGAN？ 7.1.2 SGAN 的輸入、輸出、與目標 7.1.3 SGAN 的訓練過程 7.1.4 SGAN 的訓練目標 7.2 實例：實作 SGAN 7.2.1 SGAN 的架構圖 7.2.2 行前說明 7.2.3 程式初始設置 7.2.4 準備資料集 7.2.5 設計生成器 7.2.6 設計鑑別器 7.2.7 建立並編譯模型 7.2.8 開始訓練 7.3 與全監督式分類器比較 7.4 結語 第 8 章 條件式 GAN (CGAN) 8.1 CGAN 的發展動機 8.2 CGAN 的原理與架構 8.2.1 CGAN 的生成器 8.2.2 CGAN 的鑑別器 8.2.3 總結表 8.2.4 架構圖 8.3 實例：實作 CGAN 8.3.1 行前說明 8.3.2 初始設置 8.3.3 設計生成器 8.3.4 設計鑑別器 8.3.5 建立並編譯模型 8.3.6 設計訓練迴圈 8.3.7 顯示樣本影像 8.3.8 實際開始訓練模型 8.3.9 檢視輸出結果：是否生成指定種類的資料 8.4 結語 第 9 章 CycleGAN 9.1 圖像轉譯 9.2 來回一致損失 (Cycle-consistency loss)：先轉過去再轉回來 9.3 對抗損失 (Adversarial loss) 9.4 特質損失 (Identity loss) 9.5 CycleGAN 的架構 9.5.1 整體架構：CycleGAN 的 4 個神經網路 9.5.2 生成器的架構 9.5.3 鑑別器的架構 9.6 GAN 的物件導向設計 9.7 實例：實作 CycleGAN 9.7.1 建立 CycleGAN 的 4 個神經網路 9.7.2 建立生成器的 method 9.7.3 建立鑑別器的 method 9.7.4 訓練模型的 method 9.7.5 實際開始訓練 9.8 CycleGAN 的強化和應用 9.8.1 CycleGAN 加強版 (Augmented CycleGAN) 9.8.2 CycleGAN 的各種應用 第三篇 GAN 的實際應用及未來方向 第 10 章 對抗性樣本 (Adversarial example) 10.1 對抗性樣本的用途 10.2 深度學習的潛在弱點：容易被騙 10.3 訓練方法的善用與濫用 10.4 樣本中的訊號與雜訊 10.5 還不到絕望的時候 10.6 解鈴還須繫鈴人，該 GAN 出馬了 10.7 結語 第 11 章 GAN 的實際應用 11.1 GAN 在醫學方面的應用 11.1.1 用 GAN 提高診斷準確率 11.1.2 擴增訓練樣本的方法 11.1.3 應用的成果 11.2 GAN 在時尚方面的應用 11.2.1 用 GAN「設計」時尚 11.2.2 把 CGAN 用到時尚領域 11.2.3 創造符合個人偏好的新商品 11.2.4 針對個人偏好改良現有商品 11.3 結語 第 12 章 展望未來 12.1 GAN 的道德考量 12.2 GAN 的最新改良 12.2.1 RGAN (相對 GAN) 12.2.2 SAGAN (自我注意 GAN) 12.2.3 BigGAN 12.3 更多潛力 GAN 的參考資料 12.4 本書的回顧與結語