深入浅出GAN-原理与应用

本系列课程将全面介绍被称为“深度学习新星”的生成式对抗网络（GANs, Generative Adversarial Networks）。内容包括GAN的原理，实现方法，以及各型改进型GAN。(课时:3小时17分钟 课程:4节)

GAN 深度学习 CycleGAN DCGAN WGAN

￥ 9.9
开始学习

    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：

    1496735972554219.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”……

    1496736642128754.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？

    课程笔记

    1. 深入浅出！一文读懂对抗生成网络的3中模型

    课程目的

    认真学习本课程，你将能做到：

    • 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

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

毕业于北京大学信息科学技术学院，普林斯顿大学计算机博士在读。研究兴趣包括计算机视觉和深度学习，曾在微软亚洲研究院和商汤科技相关研发团队实习。

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

北京师范大学系统科学学院博士生，印第安纳大学伯明顿分校访问学者。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。目前的主要方向为社交网络中 bots 对消息传播的影响。