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
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
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)
