Github
文档🦜 Generative Deep Learning - 2nd Edition 项目介绍
这是 O'Reilly 书籍《生成深度学习：教机器绘画、写作、作曲和游戏》的第二版官方代码库。该项目的目标是通过代码示例帮助读者掌握生成深度学习的核心技术和应用。
📖 书籍章节概览
本书分为三个部分，共十四章，为读者提供了全面了解生成深度学习的知识体系。
第一部分：生成深度学习介绍
- 生成模型：介绍生成模型的基本概念和重要性。
- 深度学习：回顾深度学习的基础知识，为后续内容打下基础。
第二部分：生成模型的方法
- 变分自编码器 (VAE)：探索如何利用 VAE 实现数据生成。
- 生成对抗网络 (GAN)：了解GAN的工作原理及其在生成任务中的应用。
- 自回归模型：介绍这类模型如何用于序列数据的生成。
- 正则流：学习正则流在生成模型中的独特之处。
- 基于能量的模型：研究如何使用能量概念构建生成模型。
- 扩散模型：新的生成模型方法，强调数据生成过程的可逆性。
第三部分：生成模型的应用
- Transformer：展示Transformer在语言和图像生成中的应用。
- 高级GAN：深入讨论GAN的高级变体及其改进。
- 音乐生成：探索生成模型在音乐创作中的实践。
- 世界模型：使用生成模型模拟虚拟环境。
- 多模态模型：结合多种数据类型，实现更丰富的生成应用。
- 总结：总结全书内容，讨论未来的研究方向。
🚀 快速开始
Kaggle API
要下载书中的一些数据集，需要一个Kaggle账户和API令牌，可以从Kaggle账户页面获取并配置到.env文件中。
Docker设置
项目利用Docker进行环境构建和管理，推荐初学者查看代码库中的Docker使用指南来上手。可根据需要选择是否使用GPU来构建Docker镜像并运行容器，从而在本地访问Jupyter进行练习。
🏞️ 数据下载
项目提供了脚本可以方便地下载包括面孔、积木、食谱、鲜花、葡萄酒、大提琴组曲和合唱曲数据集等。有助于实践每一章的例子。
📈 Tensorboard的使用
Tensorboard用于监控实验进度和模型训练效果，通过运行脚本可以在本地浏览器查看训练曲线和性能指标。
☁️ 云虚拟机使用
若需要在云平台（如Google Cloud）中使用GPU进行实验，代码库中提供了详细的设置说明，以帮助用户快速配置云端环境。
📦 其他资源
本书的一些例子参考和改编自Keras官网的优秀开源实现，建议读者关注Keras网站，以获取更多的模型和示例。
此项目通过丰富的代码示例和详细的说明文档，帮助学习者扎实掌握生成深度学习技术，为实践生成模型奠定坚实的基础。
