关于生成对抗网络
生成对抗网络（GAN）是一种强大的机器学习模型，能够生成逼真的图像、视频和语音输出。
GANs 根植于博弈论，应用广泛：通过对抗对抗性攻击和匿名化数据以保护隐私来改善网络安全，生成最先进的图像、为黑白图像着色、提高图像分辨率、创建头像、将 2D 图像转化为 3D 图像等。
关于本专业
DeepLearning.AI生成对抗网络（GANs）专业介绍了使用GANs生成图像的精彩过程，通过通俗易懂的方法描绘了从基础概念到高级技术的路径。它还涉及社会影响，包括 ML 中的偏差和检测偏差的方法、隐私保护等。
建立全面的知识库，获得 GANs 的实践经验。使用 PyTorch 训练自己的模型，用它来创建图像，并评估各种高级 GAN。
关于您
本专业适合对机器学习感兴趣并希望了解 GAN 如何工作的任何领域的软件工程师、学生和研究人员。
本专业为希望进入 GANs 领域或在自己的项目中应用 GANs 的各级学习者提供了一条便捷的途径，即使事先并不熟悉高级数学和机器学习研究。
应用的学习项目
课程 1：在此课程中，您将了解 GAN 的基本组成部分，使用 PyTorch 构建基本 GAN，使用卷积层构建处理图像的高级 DCGAN，应用 W-Loss 函数解决梯度消失问题，并学习如何有效控制 GAN 和构建条件 GAN。
课程 2：在此课程中，您将了解评估 GANs 所面临的挑战，比较不同的生成模型，使用弗雷谢特起始距离（FID）方法评估 GANs 的保真度和多样性，识别 GANs 中的偏差来源和检测偏差的方法，学习并实施与最先进的 StyleGAN 相关的技术。
课程 3：在本课程中，您将使用 GANs 进行数据扩增和隐私保护，考察 GANs 的更多应用，并构建用于图像翻译的 Pix2Pix 和 CycleGAN。
