生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的新星，被誉为“机器学习领域近20年来最酷的想法”。
本书以直白、简短的方式向读者介绍了生成对抗网络，并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录，分别介绍了PyTorch基础知识，用PyTorch开发神经网络，改良神经网络以提升效果，引入CUDA和GPU以加速GAN训练，以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题，包括计算平衡GAN的理想损失值、概率分布和采样，以及卷积如何工作，还简单解释了为什么梯度下降不适用于对抗式机器学习。
本书适合想初步了解GAN以及其工作原理的读者,也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生，本书可以帮助读者快速入门，为后续的学习打好基础。

塔里克·拉希德拥有物理学学士学位、机器学习和数据挖掘硕士学位。他常年活跃于伦敦的技术领域，领导并组织伦敦Python聚会小组(近3000名成员)。

第 1 章 PyTorch和神经网络
1.1 PyTorch入门
1.2 初试PyTorch神经网络
1.3 改良方法
1.4 CUDA基础知识
第 2 章 GAN初步
2.1 GAN的概念
2.2 生成1010格式规律
2.3 生成手写数字
2.4 生成人脸图像
第 3 章 卷积GAN和条件式GAN
3.1 卷积GAN
3.2 条件式GAN
3.3 结语
附录A 理想的损失值
A.1 MSE损失
A.2 BCE损失
附录B GAN学习可能性
B.1 GAN不会记忆训练数据
B.2 简单的例子
B.3 从一个概率分布中生成图像
B.4 为图像特征学习像素组合
B.5 多模式以及模式崩溃
附录C 卷积案例
C.1 例1: 卷积，步长为1，无补全
C.2 例2: 卷积，步长为2，无补全
C.3 例3: 卷积，步长为2，有补全
C.4 例4: 卷积，不完全覆盖
C.5 例5: 转置卷积，步长为2，无补全
C.6 例6: 转置卷积，步长为1，无补全
C.7 例7: 转置卷积，步长为2，有补全
C.8 计算输出大小
附录D 不稳定学习
D.1 梯度下降是否适用于训练GAN
D.2 简单的对抗案例
D.3 梯度下降并不适合对抗博弈
D.4 为什么是圆形轨迹
附录E 相关数据集和软件
E.1 MNIST数据集
E.2 CelebA数据集
E.3 英伟达和谷歌
E.4 开源软件