
了解 GAN 的原理,缺陷,改进方法
深入了解多种 GAN 的改进型变种模型
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:
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”……
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?
课程笔记
课程目的
认真学习本课程,你将能做到:
-
什么是生成对抗网络 (GAN)(免费试听)
本节课程将为大家介绍一种最近非常流行的神经网络模型,那就是生成式对抗网络,简称GAN。   (课时:5)
-
生成式对抗网络(GANs)全解析:实现原理及改进方案
本课程从概率生成模型的概念入手,循序渐进的为你讲解GAN的实现原理,并结合实际应用,提出传统GAN的缺陷以及应对缺陷的改进办法。   (课时:89)
-
深度卷积生成对抗网络(DCGAN)的解读与应用(免费试听)
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)
-
使用Cycle-GAN进行图到图的翻译(免费试听)
本课程将围绕CycleGAN介绍生成式对抗网络中一个非常有趣的应用“图到图的翻译”。它不依赖配对数据,而且不仅可以实现图片的风格转换,还能实现图片中“实体的转换”。   (课时:45)