深度学习与图神经网络核心技术实践应用高级研修班-Day3对抗生成网络（Generative Adversarial Networks）

Posted 2021-09-08 ZSYL

对抗生成网络

• Countermeasure generation network
• 1. GAN的理论知识
• • 1.1 人工智能
  • 1.2 概率生成模型
  • 1.3 GAN有多火？
  • 1.4 GAN为什么重要?
  • 1.5 GAN可以做什么？
  • 1.6 GAN基本框架
  • 1.7 GAN的原理
  • 1.8 GAN的特性
  • 1.9 深度GAN
  • 1.10 GAN的基本框架
  • 1.11 基于递归神经网络的GAN
• 2. 判别模型
• 3. GAN的应用实例-图像超分辨率
• 4. GAN的应用实例-图像仿真
• 5. GAN的其他应用
• 6. GAN的发展方向
• 7. 总结

Countermeasure generation network

生成式对抗网络（GAN, Generative Adversarial Networks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。

模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。

原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟合相应生成和判别的函数即可。但实用中一般均使用深度神经网络作为 G 和 D 。

一个优秀的GAN应用需要有良好的训练方法，否则可能由于神经网络模型的自由性而导致输出不理想。

参考：百度百科

1. GAN的理论知识

1.1 人工智能

1.2 概率生成模型

1.3 GAN有多火？

1.4 GAN为什么重要?

1.5 GAN可以做什么？

1.6 GAN基本框架

1.7 GAN的原理

1.8 GAN的特性

1.9 深度GAN

1.10 GAN的基本框架

1.11 基于递归神经网络的GAN

2. 判别模型

3. GAN的应用实例-图像超分辨率

4. GAN的应用实例-图像仿真

5. GAN的其他应用

6. GAN的发展方向

7. 总结

加油!

感谢!

努力!