Generative Deep Learning

Wie so oft lernt man ein Gebiet em leichtesten, wenn es auch Spaß macht. Und in der Hinsicht sind GANs einfach der perfekte Türöffner, um quasi im Vorbeigehen die Handhabung von Basistechniken wie RNN, Convolutional Layers oder Autoencodern zu lernen.Eine sehr gute Ergänzung zu "Hands on Machine Learning" von Aurelien Geron, wo das Thema GAN doch zu knapp behandelt wird, dafür aber die Basics deutlich ausführlicher.Auch der Quellcode, den der Autor mitliefert, ist in weiten Teilen sehr gut durchdacht und gekapselt, so dass sich die jeweiligen Netzwerke auch auf eigene Anforderungen oder andere Daten anpassen lassen. Wobei hier wie allgemein gelegentlich das Problem mit den Tensorflow-Versionen und anderen Abhängigkeiten besteht, wo man manchmal doch Fehler debuggen muss, die offenbar entstehen, weil Code und aktuelle Versionen nicht mehr ganz passen, selbst wenn man auf einer Minor-Version wie 2.4 bleibt. Das liegt aber nicht am Buch oder Herrn Foster.Etwas schade ist, dass die "brandheißen" Themen der Jahre 2018 und folgnde (Transformer, StyleGAN u.v.m.) erst im Anhang quasi als Ausblick nur angerissen werden, ohne die ausführlichen Beispiele wie bei den simplen Varianten. Diese sind zwar zum Lernen viel übersichtlicher, aber man bekommt schnell das Gefühl, dass man sich ja mit Techniken von "damals", aus der Urzeit von Deep-Learning beschäftigt, die längst von deutlich leistungsfähigeren Nachfolgern abgelöst wurden. Jedoch versteht man die Nachfolger erst, wenn man die Originale hier verstanden hat und teilweise sind natürlich aktuelle Netze nicht mehr so einfach auf heimischer Hardware zu trainieren oder überhaupt nicht quelloffen verfügbar.Ich freue mich auf die zweite Auflage!

Livre agréable à lire avec une belle iconographie.

I'm a ML engineer. I know the ropes. I've spent hours surfing the web for explanations and sample implementations of deep learning and GAN methodology. You might have too. You might be wondering, "why would I need this book when I have access to Medium?" And that's a good question. I can answer that for you.If you've been around for a while, you might know that Medium content can be repetitive, unoriginal, full of too much filler, full of code that can't be re-used, or in the habit of explaining mathematics/probability poorly. The difference between this book and Medium is that this book doesn't do that. It's got good introductions to each popular dataset, contains useful code, is highly readable and refreshing, and uses equations sparingly and effectively, without dumbing down the content too much. I can skim the content easily. It's top notch, contains a lot of fresh developments like World Models (Ch 8), and seems like an essential book for my ML library.My only critique is that at times, the book seemed to read like a children's bedtime story. Telling stories is an excellent way to explain concepts, but I don't know if I need David Foster renaming GAN discriminators and generators "Di and Gene", with an introduction on "taking photographs of ganimals" to understand what a GAN is. That's not to say this book does the story bit poorly. If you're new to all this, it may be really useful for you. It was just a bit off-putting for me.Regardless, I highly recommend it to anyone that has familiarity with basic stats notation and is comfortable with Python3.

The book is really a good overview of use-cases, has code samples, some overview of the maths and is reasonably up-to-date. I had some knowledge of GANs prior to reading this book but was missing knowledge on actual implementation to get going, this book filled that gap very well and gave a bunch of terms, definitions and references so I could get going and continue on my own after. Top marks.

Awesome book !! The author has very good writing skills. He has explained complex theories by pictorial & diagrammatic way which makes things really cool. Specially GAN, Text generation parts were very good. Some mathematical theories were also well covered.