Coursera 刚刚上新了 GAN 的专项课程，或许在这个国庆假期，你应该学习一波了。
作者：蛋酱
生成对抗网络（Generative Adversarial Network，GAN）是当前功能最强大的机器学习模型之一，其能够生成逼真的图像、视频和语音输出结果。基于 GAN 的应用十分广泛，比如防御对抗攻击和数据匿名化来保护隐私，以提升网络安全性，再比如生成新图像，为黑白图像着色、提高图像分辨率、2D 图像转 3D 等技术。
随着算力的增强，GAN 的普及程度和功能也不断提升，开启了许多新的方向：比如生成大量数据用来训练模型，让无监督模型生成更加清晰、准确的输出图像，同时也为相近研究领域提供了对抗学习、对抗样本、模型鲁棒性等方面的启示。
近日，DeepLearning.AI 推出了《生成对抗网络（GAN）专项课程》，系统介绍了使用 GAN 生成图像的理论及方法。此外还包括机器学习偏见、隐私保护等社会影响话题的讨论。
这门课程适用于对机器学习感兴趣并希望了解 GAN 的工作原理的软件工程师、学生和研究者。专项课程内容尽可能做到通俗易懂，让进入课程的人都真正理解 GAN 并学会使用。
但在进入这门课程之前，学习者应该具备关于深度学习、卷积神经网络的知识，具备一定的 Python 技能和深度学习框架（TensorFlow、Keras、PyTorch）的使用经验，且精通微积分、线性代数、统计学。
课程内容
本次专项课程总共分为三节：
课程 1:Build Basic Generative Adversarial Networks (GANs)
这一节的内容包括 GAN 的基本知识、使用 PyTorch 构建最基本的 GAN 模型，以及使用卷基层构建 DCGAN 来处理图像、使用损失函数解决梯度消失问题，并学习如何控制 GAN 和构建有条件 GAN。
课程 2:Build Better Generative Adversarial Networks (GANs)
这一节将介绍 GAN 模型现存的挑战，通过对比不同的生成模型，使用 Fréchet Inception Distance（FID）来评估 GAN 的保真度和多样性，辨别偏见的来源、在 GAN 中检测偏见的方法，以及学习 StyleGAN 的相关技术。
课程 3:Apply Generative Adversarial Networks (GANs)
这一节将学习如何使用 GAN 进行数据增强和隐私保护，并熟悉 GAN 的更多应用类型，以及构建 Pix2Pix、CycleGAN 以实现图像转换功能。
讲师介绍
这门课程的授课讲师是吴恩达的博士生 Sharon Zhou，她的研究领域涵盖医学、气候和更广泛的社会公益领域。Sharon Zhou2015 年毕业于哈佛大学，获得古典文学和计算机科学联合学位，并在谷歌等多家公司担任机器学习方面的产品经理职位。
与其他专项课程一样，这门课程也包括实践项目，需要完成一些项目才能结束专项课程并获得证书。如果专项课程中包括单独的实践项目课程，则需要在开始之前完成其他所有课程。只想阅读和查看课程内容的话，该课程提供免费旁听的机会。
来源：oschina
链接：https://my.oschina.net/u/4394698/blog/4658085