【AI理论】153页最新GAN教程

此次教程主要有以下几个部分：

• 概率模型

• GANs的几个示范应用

• 评价原则

• GAN 模型

  • 差异性与f-GAN 家族

  • 基于积分概率度量(IPM)的GAN: MMD

  • 基于积分概率度量(IPM)的GAN: Wasserstein GANs

• 问题与如何修正：模式崩溃(modecollapse)与不稳定性（Instability）

• 隐式模型

• 开放性研究问题

GAN网络是近两年深度学习领域的新秀，一时风头无两。从计算机视觉顶会盛会CVPR 2018接受的论文统计就可见一斑：根据Google Research的研究科学家Jordi Pont-Tuset做的一个统计，它通过查看这些论文的类型，看到了未来深度学习的发展趋势。结果，他发现生成对抗网络（GAN）强势出击，大有取代“深度学习”（Deep Learning）之势。

下面这张图展示了CVPR 2018的论文题目中，关键词GAN、Deep，以及LSTM的对比：

在普通的“深度学习”走下坡路的同时，GAN慢慢的成为新宠，统计显示有8%的论文标题中含有GAN（这一数据相比2017年增长了2倍多）。

此外用尽字母表的各种GAN的变体 X-GAN 的论文数量也是急剧增加：

参考链接：

https://github.com/nowozin/mlss2018-madrid-gan

http://www.nowozin.net/sebastian/

详情请参考附件！

转自：https://mp.weixin.qq.com/s?__biz=MzU2OTA0NzE2NA==&mid=2247497176&idx=1&sn=3a30625a55acc0e587a263dcc6356ba1&chksm=fc8614cbcbf19dddf5831f1480569ea8fd116c6641c35c47ef4dbec6361b2de285bfc7a72cab&mpshare=1&scene=24&srcid=0911EcOzTUftQ50DX9415bYn&pass_ticket=YYISnPuTP6QZWFpVGdeld2ncM5UI%2FKE%2FA0koOAY8b2dSQK7V6fNLcTv4IRl17rIJ#rd