生成深度學習|訓練機器繪畫、寫作、作曲與玩遊戲 第二版

【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