课程以GAN论文阅读与复现为引，对GAN、DCGAN、WGAN、ConditionalGAN、GANs、CycleGAN这6类GAN模型进行了深入剖析，并的复现了其典型的应用代码，让你深入的理解各类图像生成、深度学习算法，掌握AI换脸、AI作画、文物修复等应用的核心原理，助你建立完整的GAN知识体系，踏实的进入图像生成领域。

GAN生成对抗网络

入门到擅长

你在工作或学习中可能会遇到这样的问题

  • 学习过深度学习、机器学习相关知识，但不知道如何自主的提高自己
  • 能够调用深度学习框架，但没办法从零构建出完整的深度学习模型
  • 对图像生成，例如AI换脸、AI作画感兴趣，但不知道如何入门
  • 阅读过深度学习相关论文或相关教程，但无法复现论文的算法或关键思想

17篇顶会论文阅读与代码零基础复现，助你搭建完整的GAN知识体系

  • 数字图像生成任务（复现GAN）
  • 二次元人物图像生成应用（复现DCGAN）
  • 提升GANs效果（复现WGAN）
  • 可控二次元人物生成应用（复现ConditionalGAN）
  • 可分离的图像生成应用（复现GANS）
  • 图像风格转换应用（复现CycleGAN）

DCGAN二次元图片生成应用

Conditional GAN可控图像生成应用

非监督图像风格迁移应用

Cycle GAN更换头发颜色趣味应用

AI换脸应用之二次元人物换脸

学习收获

  • 建立完整的GAN知识体系，踏实的进入图像生成领域

    01

  • 深入的理解各类图像生成、深度学习算法，掌握AI换脸、AI作画、文物修复等应用的核心原理

    02

  • 学会系统性的阅读并复现GAN网络的各类核心论文

    03

  • 掌握成体系的自主学习方法论，在之后的工作和学习中可以扎实而自主的复现各类经典算法

    04

  • 适合人群

    Suits the crowd

    • 对深度学习、机器学习感兴趣
    • 想入门生成对抗网络，但对GAN、DCGAN、WGAN等仅在了解阶段
    • 工作中遇到图像生成、图片识别等相关问题，空有一身武功却无从下手
    • 对深度学习、机器学习等论文阅读有需求，想要复现论文代码的同学
    • 能够使用Python、TensorFlow，了解基本的机器学习、深度学习知识，并有一定的英文阅读能力与数学基础。

  • 技术储备要求

    Technical reserve requirement