给大家分享一套视频教程，GAN生成对抗网络入门与实战，配套资料齐全。希望对大家学习有帮助，给个好评哦。

《PyTorch生成对抗网络编程》思维导图和配套素材免费版，畅销书《Python神经网络编程》作者最新力作； 全彩印刷，配套示例代码，图文并茂，易懂实用； 从零开始，用PyTorch构建自己的生成对抗网络。 生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的一颗新星，被誉为“机器学习领域近 20 年来最酷的想法”。 本书以直白、简短的方式向读者介绍了生成对抗网络，指导读者如何使用PyTorch 按部就班地编写生成对抗网络。阅读本书，读者将了解 PyTorch和生成对抗网络的基本原理，学会使用PyTorch构建自己的生成对抗网络，生成手写数

基于循环生成对抗网络的图像风格迁移.pdf

GAN生成对抗网络入门与实战视频教程，完整版，提供源码和数据下载。本课程深入讲解近年来复杂分布上无监督学习方法——生成对抗网络（GAN）的原理与应用实例。 课程深入浅出，从深度学习（tensorflow）基础讲起，既有原理的介绍，又对实现代码做了精讲。为使课程简单易懂，代码实现全部从简，使用简洁的代码实现各种各样的GAN实例。

生成对抗网络实现的集合，大部分基于python3

本资源通过整理目前GAN的相关论文做出PPT，PPT配套演讲文档，和附上PPT所述的来源引文

使用Pix2Pix GAN将Google Satelite Image转换为Streetmap图像 Pix2Pix GAN是图像到图像转换的通用方法。 它基于条件生成对抗网络，其中生成目标图像，该目标图像以给定输入图像为条件。 提出了Pix2Pix GAN的思想。 根据该论文，该模型不仅学习从源图像到目标图像的映射，而且学习损失函数以训练该映射。 网络架构 生成器是经过修改的U-net模型，它将RGB图像作为输入，然后尝试将其映射到相同形状的另一个RGB图像。 鉴别器是一个PatchGan，输出一个30x30的矩阵，然后用于计算对抗损失。 数据集 可以使用此从Kaggle下载数据集。 下载数据集后，将其提取到data / dataset文件夹中。 超参数 source_images = 1096 target_images = 1096 IMAGE_HEIGHT = 256 IMAGE_W

该资源中，论文中英文版本资源都有，Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network 这篇文章的中文翻译 中文名：使用生成对抗网络的逼真的单图像超分辨率 通过谷歌翻译百度翻译等多种翻译单句单句翻译的，格式和公式已经矫正过了，没有乱码。GAN的经典文章，学习生成对抗网络的著名论文，优质翻译你值得拥有，谁用谁知道！

适合感兴趣的同学自学

适合感兴趣的同学自学