深度学习之星：GAN的原理 | 公开课

分享背景

▼

生成式对抗网络（GAN）是近两年机器学习领域的新秀，被Yann LeCun称为"过去十年机器学习界最有趣的idea"，目前已经得到广泛研究者的关注并且以高频论文数出现在各大顶会上，目前GAN在图像、视频、文字、语音等很多实际场景中均得到应用，是一种潜力巨大的理论模型。生成式对抗网络最初是以图像生成的形式出现在公众视野，本场公开课嘉宾将详细解读GAN的基本原理，并通过小实验在mnist数据库上通俗还原GAN的每一步实现过程，在此基础上再分享几篇GAN在图像风格转换领域应用的文章。

本系列公开课一共两场，本场为第一场GAN基础原理篇，后一场为GAN图像转换应用篇。

分享主题

▼

深度学习之星：GAN的原理

分享提纲

▼

1.介绍GAN的基本思想

2.详解GAN的目标函数与优化流程

3.实验实战GAN生成数字

4.总结GAN优势与当前难点

分享人简介

▼

陈俊，华中科技大学自动化学院硕士研究生，模式识别专业，研究兴趣包括：计算机视觉（视频理解、行为识别、目标检测与分类等）、深度学习、机器学习等。

分享时间

▼

北京时间11月23日（周四）20:00

参与方式

▼

扫描海报二维码添加社长微信，备注「陈俊」

如何选择机器学习模型？

如何提高选择算法的能力？

对于算法能力应该从哪块开始抓起？

欢迎报名算法进阶课程

算法推导+实操

双倍告诉你

▼▼▼  

（不要等早鸟票过期了才后悔~）

公开课精彩往期回顾

复旦Ph.D沈志强：用于目标检测的DSOD模型（ICCV 2017）

极限元刘斌：深度学习在语音生成问题上的典型应用

搜狗文仕学：基于深度学习的语音分离

Video ++孙兆民：视频内容识别行业分析

悉尼科大王超岳：基于生成对抗网络的图像编辑方法

达观数据张健：文本分类方法和应用案例

清华Ph.D王书浩：基于深度学习的电商交易欺诈检测系统

Twitter工程师王东：详解YOLO2与YOLO9000目标检测系统

Kaggle比赛金牌团队：图像比赛的通用套路有哪些？

宜远智能刘凯：显著降低模型训练成本的主动增量学习

点击阅读原文，立即报名~

▼▼▼