Generative Adversarial Networks (GANs) Specialization
闯入 GAN 领域。通过三门实践课程掌握前沿的 GAN 技术!
讲师:Sharon Zhou
口袋资源独家Coursera付费课程,独家中英文字幕,配套资料齐全!
用不到1/10的价格,即可享受同样的高品质课程,且可以完全拥有,随时随地都可以任意观看和分享。
你将学到什么
-
了解 GAN 组件,使用 PyTorch 构建基本 GAN,使用卷积层构建高级 DCGAN,控制您的 GAN 并构建条件 GAN
-
比较生成模型,使用 FID 方法评估 GAN 保真度和多样性,学习检测 GAN 中的偏差,并实施 StyleGAN 技术
-
使用 GAN 进行数据增强和隐私保护,调查 GAN 应用程序,并检查和构建用于图像翻译的 Pix2Pix 和 CycleGAN
您将获得的技能
-
类别:计算机图形学术语表
-
类别: 发电机
-
类别:图像到图像翻译
-
类别:生成对抗网络
-
类别:鉴别器
关于 GAN
生成对抗网络 (GAN) 是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。
植根于博弈论,GAN 具有广泛的应用:从通过对抗对抗性攻击和匿名数据以保护隐私来提高网络安全,到生成最先进的图像、对黑白图像进行着色、提高图像分辨率、创建头像、将 2D 图像转换为 3D 等等。
关于本专业
DeepLearning.AI生成对抗网络 (GAN) 专业课程对使用 GAN 生成图像进行了令人兴奋的介绍,通过易于理解的方法绘制了从基础概念到高级技术的路径。它还涵盖了社会影响,包括机器学习中的偏见及其检测方法、隐私保护等。
建立全面的知识库并获得 GAN 的实践经验。使用 PyTorch 训练您自己的模型,用它来创建图像,并评估各种高级 GAN。
关于你
该专业面向对机器学习感兴趣并希望了解 GAN 工作原理的软件工程师、学生和任何领域的研究人员。
该专业化为希望进入 GAN 领域或将 GAN 应用到自己的项目中的所有级别的学习者提供了一条可行的途径,即使事先不熟悉高等数学和机器学习研究。
应用学习项目
课程 1:在本课程中,您将了解 GAN 的基本组成部分,使用 PyTorch 构建基本的 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您的 GAN 并构建条件 GAN。
课程 2:在本课程中,您将了解评估 GAN 的挑战,比较不同的生成模型,使用 Fréchet 起始距离 (FID) 方法评估 GAN 的保真度和多样性,识别偏差来源以及检测偏差的方法GAN,并学习和实施与最先进的 StyleGAN 相关的技术。
课程 3:在本课程中,您将使用 GAN 进行数据增强和隐私保护,调查 GAN 的更多应用,并构建用于图像翻译的 Pix2Pix 和 CycleGAN。