Coursera 剛剛上新了 GAN 的專項課程，或許在這個國慶假期，你應該學習一波了。
作者：蛋醬
生成對抗網絡（Generative Adversarial Network，GAN）是當前功能最強大的機器學習模型之一，其能夠生成逼真的圖像、視頻和語音輸出結果。基於 GAN 的應用十分廣泛，比如防禦對抗攻擊和數據匿名化來保護隱私，以提升網絡安全性，再比如生成新圖像，為黑白圖像著色、提高圖像分辨率、2D 圖像轉 3D 等技術。
隨著算力的增強，GAN 的普及程度和功能也不斷提升，開啟了許多新的方向：比如生成大量數據用來訓練模型，讓無監督模型生成更加清晰、準確的輸出圖像，同時也為相近研究領域提供了對抗學習、對抗樣本、模型魯棒性等方面的啟示。
近日，DeepLearning.AI 推出了《生成對抗網絡（GAN）專項課程》，系統介紹了使用 GAN 生成圖像的理論及方法。此外還包括機器學習偏見、隱私保護等社會影響話題的討論。
這門課程適用於對機器學習感興趣並希望瞭解 GAN 的工作原理的軟件工程師、學生和研究者。專項課程內容儘可能做到通俗易懂，讓進入課程的人都真正理解 GAN 並學會使用。
但在進入這門課程之前，學習者應該具備關於深度學習、卷積神經網絡的知識，具備一定的 Python 技能和深度學習框架（TensorFlow、Keras、PyTorch）的使用經驗，且精通微積分、線性代數、統計學。
課程內容
本次專項課程總共分為三節：
課程 1:Build Basic Generative Adversarial Networks (GANs)
這一節的內容包括 GAN 的基本知識、使用 PyTorch 構建最基本的 GAN 模型，以及使用卷基層構建 DCGAN 來處理圖像、使用損失函數解決梯度消失問題，並學習如何控制 GAN 和構建有條件 GAN。
課程 2:Build Better Generative Adversarial Networks (GANs)
這一節將介紹 GAN 模型現存的挑戰，通過對比不同的生成模型，使用 Fréchet Inception Distance（FID）來評估 GAN 的保真度和多樣性，辨別偏見的來源、在 GAN 中檢測偏見的方法，以及學習 StyleGAN 的相關技術。
課程 3:Apply Generative Adversarial Networks (GANs)
這一節將學習如何使用 GAN 進行數據增強和隱私保護，並熟悉 GAN 的更多應用類型，以及構建 Pix2Pix、CycleGAN 以實現圖像轉換功能。
講師介紹
這門課程的授課講師是吳恩達的博士生 Sharon Zhou，她的研究領域涵蓋醫學、氣候和更廣泛的社會公益領域。Sharon Zhou2015 年畢業於哈佛大學，獲得古典文學和計算機科學聯合學位，並在谷歌等多家公司擔任機器學習方面的產品經理職位。
與其他專項課程一樣，這門課程也包括實踐項目，需要完成一些項目才能結束專項課程並獲得證書。如果專項課程中包括單獨的實踐項目課程，則需要在開始之前完成其他所有課程。只想閱讀和查看課程內容的話，該課程提供免費旁聽的機會。
關鍵字: 對抗 學習 Adversarial
