coursera gan specialization

Coursera 上的生成對抗網路專業課程（由 deeplearning.ai 提供）

由deeplearning.ai提供的 Coursera GAN 專業化所有課程的程式設計作業。

課程

Coursera 上的 GAN 專業課程包含三個課程：

1. 課程 1：建構基本的生成對抗網絡

2. 課程 2：建構更好的生成對抗網絡

3. 課程 3：應用生成對抗網路 (GAN)

關於 GAN

• 生成對抗網路 (GAN) 是強大的機器學習模型，能夠產生逼真的影像、視訊和語音輸出。

• 植根於博弈論，GAN 具有廣泛的應用：從透過對抗對抗性攻擊和匿名資料以保護隱私來提高網路安全，到生成最先進的影像、對黑白影像進行著色、提高影像解析度、創建頭像、將2D 影像轉換為3D 等等。

• 隨著運算能力的增強，GAN 及其功能也越來越受歡迎。 GAN 開闢了許多新的方向：從生成大量資料集用於訓練機器學習模型、允許強大的無監督學習模型到產生更清晰、離散和更準確的輸出。 GAN 也為對抗性學習、對抗性範例和攻擊、模型魯棒性等相關領域的研究提供了資訊。

關於本專業

• deeplearning.ai 生成對抗網路 (GAN) 專業課程對使用 GAN 生成圖像進行了令人興奮的介紹，透過易於理解的方法繪製了從基礎概念到高級技術的路徑。它還涵蓋了社會影響，包括機器學習中的偏見及其檢測方法、隱私保護等。

• 建立全面的知識庫並獲得 GAN 的實務經驗。使用 PyTorch 訓練您自己的模型，用它來創建圖像，並評估各種高級 GAN。

關於你

• 該專業面向對機器學習感興趣並希望了解 GAN 工作原理的軟體工程師、學生和任何領域的研究人員。

• 該專業化為希望進入 GAN 領域或將 GAN 應用到自己的專案中的所有級別的學習者提供了一條可行的途徑，即使事先不熟悉高等數學和機器學習研究。

程式設計作業

課程 1：建構基本生成對抗網路 (GAN)

• 這是生成對抗網路 (GAN) 專業化的第一門課程。

第一周：GAN 簡介

• 了解 GAN 及其應用，了解 GAN 基本元件背後的直覺，並使用 PyTorch 建立自己的 GAN。
• 任務：
  • 你的第一個 GAN

第 2 週：深度卷積 GAN

• 使用卷積層建立更複雜的 GAN。了解有用的激活函數、批量歸一化和轉置卷積，以調整您的 GAN 架構，並應用它們來建立專門用於處理圖像的高級 DCGAN。
• 任務：
  • 深度卷積 GAN (DCGAN)

第 3 週：標準化的 Wasserstein GAN

• 透過學習 WGAN 等先進技術，透過 W-Loss 和對 Lipschitz 連續性的理解來緩解不穩定的訓練和模式崩潰，減少由於生成器和判別器之間不平衡而導致的 GAN 失敗實例。
• 任務：
  • 帶有梯度懲罰的 Wasserstein GAN (WGAN-GP)

第 4 週：有條件且可控制的 GAN

• 了解如何有效控制 GAN、修改生成圖像中的特徵以及構建能夠從確定的類別生成範例的條件 GAN。
• 作業：
  • 建置條件 GAN
  • 可控發電

---

課程 2：建構更好的生成對抗網路 (GAN)

• 這是生成對抗網路 (GAN) 專業化的第二門課程。

第一周：GAN 評估

• 了解評估 GAN 的挑戰，了解不同 GAN 效能指標的優缺點，並使用嵌入實現 Fréchet 起始距離 (FID) 方法來評估 GAN 的準確性。
• 任務：
  • 評估 GAN/Fréchet 起始距離

第 2 週：GAN 的缺點和偏差

• 找出 GAN 與其他生成模型相比的缺點，發現這些模型的優點/缺點 - 另外，了解機器學習中偏差的許多來源、為什麼它很重要，以及在 GAN 中識別偏差的方法。
• 測驗：
  • 分析偏差
• 任務：
  • 偏見
• 實驗室：
  • 變分自動編碼器 (VAE)

第 3 週：StyleGAN 和進步

• 了解 StyleGAN 如何改進先前的模型，並實現與 StyleGAN 相關的元件和技術，StyleGAN 是目前最先進、功能強大的 GAN
• 任務：
  • StyleGAN 的組成部分
• 可選筆記本：
  • BigGAN 的組成部分
  • StyleGAN2

---

課程 3：應用生成對抗網路 (GAN)

• 這是生成對抗網路 (GAN) 專業化的第三門課程。

第一周：GAN 用於資料增強和隱私保護

• 探索 GAN 的應用並檢查它們在資料增強、隱私和匿名方面的應用。
• 使用 GAN 產生的資料改進下游 AI 模型。
• 任務：
  • 數據增強

第 2 週：影像到影像的翻譯

• 利用圖像到圖像的翻譯框架，並確定該框架對圖像以外模式的擴展、概括和應用。
• 實作 Pix2Pix（一種配對影像到影像轉換 GAN），利用先進的 U-Net 生成器和 PatchGAN 鑑別器架構調整衛星影像以繪製路線（反之亦然）。
• 作業：
  • 優網
  • 像素到像素

第 3 週：影像到影像不配對翻譯

• 比較配對影像到影像轉換和不配對影像到影像轉換，並確定它們的關鍵差異如何需要不同的 GAN 架構。
• 實施 CycleGAN，一種不成對的影像到影像轉換模型，將兩個 GAN 合而為一，使馬適應斑馬（反之亦然）。
• 任務：
  • 循環GAN

免責聲明

我認識到人們在建立直覺、理解新概念和調試任務上花費了大量的時間。這裡上傳的解決方案僅供參考。如果您被困在某個地方，它們的目的是為您解除封鎖。請不要按原樣複製程式碼的任何部分（如果仔細閱讀說明，程式設計作業相當容易）。同樣，在參考測驗解決方案之前，請先親自嘗試測驗。