深入浅出GAN-原理与应用

被称为“机器学习新星”的生成式对抗网络(GANs, Generative Adversarial Networks),如今在“数据生成”、“图像处理”等多个应用领域大显神威。本系列课将全面讲解从GAN到GAN的各种改进方法。

    生成式对抗神经网络——原理及应用

    课程背景:

    GAN是在2014年由还在读博士的Ian Goodfellow引入深度学习领域的。从2014到2016,仅仅两年的时间,GAN热潮就席卷了AI领域顶级会议,从ICLR到NIPS,大量高质量论文被发表和探讨。Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。

    在GAN这片新兴沃土,除了Ian Goodfellow所在的OpenAI在火力全开,Facebook的人工智能实验室也在这一领域马不停蹄深耕,而苹果近日曝出的首篇AI论文,就是基于GAN的变种“SimGAN”。

    作为一个生成模型,GAN避免了一些传统生成模型在实际应用中的一些困难,巧妙地通过对抗学习来近似一些不可解的损失函数。广泛应用于“图像超分辨率”、“图像仿真”、“数据合成”、“文本到图像翻译”等领域。

    比如基于GAN实现的“文字到图片的翻译”,可以通过向电脑描述图片的内容,获得想要的图片。

    比如“我想要有一只亮蓝色鸟的图片,鸟的位置也标注好了”,那么:

    屏幕快照 2017-06-06 下午3.57.48.png

    怎么样,感觉再也不用为写文案在百度里各种扒图片了,想要什么图片直接说。

    GAN还有更多神奇的应用,比如“白天变黑夜”、“面瘫变笑脸”……

    屏幕快照 2017-06-06 下午4.14.08.png

    GAN为什么能从2014年被提出到现在发展的如此迅速?为什么能够实现那么多强大有趣的功能?

    它与一般的神经网络有什么区别?又有什么相似之处?在不到三年的发展时间里,它又有怎样的改进?

    请看GAN的原理与应用系列专题课程!

讲师介绍
莫烦

莫烦,原名周沫凡,澳洲格里菲斯大学在读博士生,悉尼科技大学访问学者,主要研究为强化学习的应用。

尉方音

北京大学信息科学技术学院本科生,在商汤科技研发部人脸识别组做实习生

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

楼晓丹

2013年毕业于西北农林科技大学,获学士学位。现北京师范大学系统科学学院博士生在读。研究兴趣:集中在社会计算科学,包括集体注意力等人类行为分析以及信息传播过程。目前研究基于图信号处理的网络预测问题。