深度卷积生成对抗网络(DCGAN)的解读与应用

本课程将以论文《DCGAN的表征学习》为基础介绍卷积生成式对抗网络(DCGAN)。相比原生GAN,DCGAN拥有更优秀的稳定性和多领域的适用性。(课时:59 分钟)

GAN DCGAN 深度学习 反卷积 图像生成

讲师:   文雷

课程资料

  • 讲稿下载:(报名后可见)

  • 参考文献:(报名后可见)

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”。

课程目的

学完本课程,你能做到

  • 了解传统 GAN 的缺陷

  • 了解 DCGAN 是怎样改善了传统 GAN 存在的缺陷,内部有哪些巧妙的机制

  • 了解关于 DCGAN 的一些有趣应用

课程详情

本课程的主要内容有:

  • 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