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

    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?

    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