[生成对抗网络GAN入门指南]（1）引言及实验预备知识和工具

继续开一个GAN的专题：主要分以下几个板块

1.GAN

2.DCGAN

3.WasserteinGAN

4.cGAN（GAN+监督学习）SGAN/ACGAN（GAN+半监督学习）InfoGAN（GAN+无监督性学习）

5.StackGAN（文本到高质量图片）

6.iGAN（图像到图像） Pix2Pix（匹配数据图像转换） CycleGAN（非匹配数据转换） StarGAN（多领域图像转换）

7.GAN应用：图像去模糊、人脸生成、音频生成；GAN与艺术：AI创造艺术/AI辅助式设计

8. 未来研究热点

 

一、前言

1999， DeepBlue击败卡斯帕罗夫。

2006，浪潮天梭击败中国象棋大师队。

2016，Alphago击败围棋九段李世石。

Ian Goodfellow发明GAN。与GAN相关的论文的数量也迎来了井喷式上升。

截止2018年12月GAN最全论文合集，在上学期一门课上也是自己写了简单的GAN作业代码。

简而言之，GAN分为两个网络，一部分是Generator生成器，作用是根据噪声生成数据，结构一般是一个反向传播神经网络，另一部分是Discriminator来识别数据来源是生成器生成的数据和真实数据，他需要分别出真实的数据来源或者是生成的数据来源。

 

二、预备知识及工具

1.Python语言：可参考[py语法]非计算机专业的同学如何半个小时搞懂py3的语法，这个仅作为快速的一种学习。

2.Jupyter编译器：这里推荐Jupyter作为实验的编译器，相关环境配置win10+Anaconda3+tensorflow(gpu)+cuda9.0+cudnn7.1+ide(sublime)+好用的科学工具包配置。

3.Tensorflow：关注专栏：实战Google深度学习框架：TensorFlow，主要使用的是tf。

4.Keras：关注专栏：Python深度学习——Deeplearning with Python，主要使用的是keras。

5.Floyd：《生成对抗网络GAN入门指南》书上推荐使用Floyd