【伯克利】最新《生成式对抗网络》技术综述课程，257页ppt带你学习GAN进展

【导读】Pieter Abbeel 是加州大学伯克利分校的教授，伯克利机器人学习实验室的主任，其新开课程CS294深度无监督学习包含两个领域，分别是生成模型和自监督学习。这个15周的课程包含视频PPT能资源，有助于读者对深度学习无监督的理解。最新一期是生成式对抗网络Generative Adversarial Networks的课程，共有257页ppt，包括GAN, DC GAN, ImprovedGAN, WGAN, WGAN-GP, Progr.GAN, SN-GAN, SAGAN, BigGAN(-Deep), StyleGAN-v1,2, VIB-GAN, GANs as Energy Models，非常值得关注！

地址：

https://sites.google.com/view/berkeley-cs294-158-sp20/

本课程讲师由大家熟悉的UC伯克利教授Pieter Abbeel，带领3位博士生担纲。Pieter Abbeel是加州大学伯克利分校教授，EECS，BAIR，CHAI，师从吴恩达。现任伯克利机器人学习实验室主任、伯克利人工智能研究（BAIR）实验室联合主任；covariant.ai联合创始人，总裁兼首席科学家、OpenAI顾问。

目录内容：

• 隐式模型的动机和定义

• 原始GAN (Goodfellow et al, 2014)

• 评估: Parzen、Inception、Frechet

• 一些理论: 贝叶斯最优鉴别器; Jensen-Shannon散度; 模式崩溃; 避免饱和

• GAN进展

• DC GAN (Radford et al, 2016)

• 改进GANs训练(Salimans et al, 2016)

• WGAN, WGAN- gp, Progressive GAN, SN-GAN, SAGAN

• BigGAN, BigGAN- deep, StyleGAN, StyleGAN-v2, VIB-GAN

• 创意条件GAN

• GANs与申述

• GANs作为能量模型

• GANs与最优传输，隐式似然模型，矩匹配

• 对抗性损失的其他用途:转移学习、公平

• GANs和模仿学习

隐式模型的动机和定义

原始GAN (Goodfellow et al, 2014)

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GAN257” 就可以获取《【伯克利】最新《生成式对抗网络》技术综述课程，257页ppt带你学习GAN进展》专知下载链接

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源