Teil I: PyTorch und neuronale Netze
Kapitel 1: Grundlagen von PyTorch
Automatische Gradienten mit PyTorch
Kapitel 2: Erstes neuronales Netz mit PyTorch
Ein einfaches neuronales Netz
Das Training visualisieren
Die Klasse für den MNIST-Datensatz
Unsere Klassifizierer trainieren
Das neuronale Netz abfragen
Die Performance des Klassifizierers einfach ermitteln
Kapitel 3: Verfeinerungen
Kombinierte Verfeinerungen
Kapitel 4: Grundlagen von CUDA
Teil II: Generative Adversarial Networks erstellen
Kapitel 5: Das GAN-Konzept
GANs sind schwer zu trainieren
Kapitel 6: Einfache 1010-Muster
Den Diskriminator erstellen
Die Generatorausgabe überprüfen
Kapitel 7: Handgeschriebene Ziffern
Die Generatorausgabe testen
Das GAN-Training verbessern
Mit Startwerten experimentieren
Kapitel 8: Menschliche Gesichter
Hierarchisches Datenformat
Die Generatorausgabe überprüfen
Teil III: Komplexere GANs
Kapitel 9: Convolutional GANs
Lokalisierte Bildmerkmale
Kapitel 10: Konditionierte GANs
Bilder grafisch darstellen
Ergebnisse für das konditionierte GAN
Anhang B: GANs merken sich die Trainingsdaten nicht
Anhang C: Beispiel 1: Faltung mit Schrittweite 1, keine Auffüllung
Anhang D: Gradientenabstieg
für das Training von GANs geeignet?
Anhang E: Der CelebA-Datensatz
