coursera gan specialization

Coursera 上的生成对抗网络专业课程（由 deeplearning.ai 提供）

由deeplearning.ai提供的 Coursera GAN 专业化所有课程的编程作业。

课程

Coursera 上的 GAN 专业课程包含三门课程：

1. 课程 1：构建基本的生成对抗网络

2. 课程 2：构建更好的生成对抗网络

3. 课程 3：应用生成对抗网络 (GAN)

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。

• 随着计算能力的增强，GAN 及其功能也越来越受欢迎。 GAN 开辟了许多新的方向：从生成大量数据集用于训练机器学习模型、允许强大的无监督学习模型到产生更清晰、离散和更准确的输出。 GAN 还为对抗性学习、对抗性示例和攻击、模型鲁棒性等相关领域的研究提供了信息。

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。

编程作业

课程 1：构建基本生成对抗网络 (GAN)

• 这是生成对抗网络 (GAN) 专业化的第一门课程。

第一周：GAN 简介

• 了解 GAN 及其应用，了解 GAN 基本组件背后的直觉，并使用 PyTorch 构建您自己的 GAN。
• 任务：
  • 你的第一个 GAN

第 2 周：深度卷积 GAN

• 使用卷积层构建更复杂的 GAN。了解有用的激活函数、批量归一化和转置卷积，以调整您的 GAN 架构，并应用它们来构建专门用于处理图像的高级 DCGAN。
• 任务：
  • 深度卷积 GAN (DCGAN)

第 3 周：标准化的 Wasserstein GAN

• 通过学习 WGAN 等先进技术，通过 W-Loss 和对 Lipschitz 连续性的理解来缓解不稳定的训练和模式崩溃，减少由于生成器和判别器之间不平衡而导致的 GAN 失败实例。
• 任务：
  • 带梯度惩罚的 Wasserstein GAN (WGAN-GP)

第 4 周：有条件且可控的 GAN

• 了解如何有效控制 GAN、修改生成图像中的特征以及构建能够从确定的类别生成示例的条件 GAN。
• 作业：
  • 构建条件 GAN
  • 可控发电

---

课程 2：构建更好的生成对抗网络 (GAN)

• 这是生成对抗网络 (GAN) 专业化的第二门课程。

第一周：GAN 评估

• 了解评估 GAN 的挑战，了解不同 GAN 性能指标的优缺点，并使用嵌入实现 Fréchet 起始距离 (FID) 方法来评估 GAN 的准确性。
• 任务：
  • 评估 GAN/Fréchet 起始距离

第 2 周：GAN 的缺点和偏差

• 找出 GAN 与其他生成模型相比的缺点，发现这些模型的优点/缺点 - 另外，了解机器学习中偏差的许多来源、为什么它很重要，以及在 GAN 中识别偏差的方法。
• 测验：
  • 分析偏差
• 任务：
  • 偏见
• 实验室：
  • 变分自动编码器 (VAE)

第 3 周：StyleGAN 和进步

• 了解 StyleGAN 如何改进以前的模型，并实现与 StyleGAN 相关的组件和技术，StyleGAN 是目前最先进、功能强大的 GAN
• 任务：
  • StyleGAN 的组成部分
• 可选笔记本：
  • BigGAN 的组成部分
  • StyleGAN2

---

课程 3：应用生成对抗网络 (GAN)

• 这是生成对抗网络 (GAN) 专业化的第三门课程。

第一周：GAN 用于数据增强和隐私保护

• 探索 GAN 的应用并检查它们在数据增强、隐私和匿名方面的应用。
• 使用 GAN 生成的数据改进下游 AI 模型。
• 任务：
  • 数据增强

第 2 周：图像到图像的翻译

• 利用图像到图像的翻译框架，并确定该框架对图像以外模式的扩展、概括和应用。
• 实施 Pix2Pix（一种配对图像到图像转换 GAN），利用先进的 U-Net 生成器和 PatchGAN 鉴别器架构调整卫星图像以绘制路线（反之亦然）。
• 作业：
  • 优网
  • 像素到像素

第 3 周：图像到图像不配对翻译

• 比较配对图像到图像转换和不配对图像到图像转换，并确定它们的关键差异如何需要不同的 GAN 架构。
• 实施 CycleGAN，一种不成对的图像到图像转换模型，将两个 GAN 合而为一，使马适应斑马（反之亦然）。
• 任务：
  • 循环GAN

免责声明

我认识到人们在建立直觉、理解新概念和调试任务上花费了大量的时间。这里上传的解决方案仅供参考。如果您被困在某个地方，它们的目的是为您解除封锁。请不要按原样复制代码的任何部分（如果仔细阅读说明，编程作业相当容易）。同样，在参考测验解决方案之前，请先亲自尝试一下测验。