深度卷积生成对抗网络(DCGAN)的解读与应用

自DCGAN的概念首次被提出以来,作为一种对传统GAN的改进模型,DCGAN以其优秀的稳定性,多领域的适用性,在学术领域一度大放异彩。DCGAN的原理是什么,它是怎样巧妙运用了卷积神经网络?它都有哪些应用?本节课程将以论文《DCGAN的表征学习》为基础,为大家详细讲解DCGAN的前世今生。

讲师:   文雷

深度卷积生成对抗网络(DCGAN)的解读与应用

课程背景:

自DCGAN的概念首次被提出以来,作为一种对传统GAN的改进模型,DCGAN以其优秀的稳定性,多领域的适用性,在学术领域一度大放异彩。DCGAN的原理是什么,它是怎样巧妙运用了卷积神经网络?它都有哪些应用?

在本课程中,秀外慧中的90后美女讲师文雷,将以论文《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》为基础,在轻松愉快的讨论氛围中,以通俗的语言,详细的为大家讲解DCGAN的“前世今生”。

课程资料:

  • 购买课程后可见

课程大纲:

本课程的具体内容包括:

  • 传统生成对抗网络(GAN)的工作原理与缺陷

    • 传统GAN的模型结构与数学原理

    • 传统GAN存在的缺陷

  • DCGAN的优势总览

    • DCGAN改进训练稳定性的方法

    • 如何将判别器应用在图像分类领域

    • “有意义”的卷积核

    • 生成器的“语义向量”

  • DCGAN的改进点

    • 采用新型卷积算法“Strided Convolutions”代替池化操作

    • 生成器中运用了反卷积“fractional-strided convolutions”

    • 使用Batch Norm进行数据预处理

    • 采用新型梯度下降算法

    • 去除网络结构中的全连接层

    • 使用新式的激活函数(Leaky ReLU、ReLU以及Tanh代替Sigmoid)

  • DCGAN的实验与应用

    • DCGAN生成器的有效应验证实验

    • DCGAN判别器用于图像分类领域的实验

    • DCGAN中,判别器与生成器互促进效应的验证实验

    • 对生成器中,语义空间的探索实验

    • 图像语言空间的语义向量运算(重点推荐)

    • “转向向量”实验

  • DCGAN总结与未来研究方向


讲师介绍
文雷

北京师范大学系统科学学院研究生 研究方向:复杂网络及深度学习技术在经济系统中的应用