前言
1 深度學習概述
1.1 深度學習的演化
1.1.1 sigmoid激發
1.1.2 修正線性單元（ReLU）
1.1.3 指數線性單元（ELU）
1.1.4 隨機梯度下降（SGD）
1.1.5 學習速率調優
1.1.6 正則化
1.1.7 權重分享以及池化
1.1.8 局部感受野
1.1.9 卷積網絡（ConvNet）
1.2 逆卷積/轉置卷積
1.2.1 遞歸神經網絡和
1.2.2 深度神經網絡
1.2.3 判別模型和生成模型的對比
1.3 總結
2 無監督學習
2.1 利用深度神經網絡自動化人類任務
2.1.1 GAN的目的
2.1.2 現實世界的一個比喻
2.1.3 GAN的組成
2.2 GAN的實現
2.2.1 GAN的應用
2.2.2 在Keras上利用DCGAN實現圖像生成
2.2.3 利用TensorFlow實現SSGAN
2.3 GAN模型的挑戰
2.3.1 啟動及初始化的問題
2.3.2 模型坍塌
2.3.3 計數方面的問題
2.3.4 角度方面的問題
2.3.5 全局結構方面的問題
2.4 提升GAN訓練效果的方法
2.4.1 特征匹配
2.4.2 小批量
2.4.3 歷史平均
2.4.4 單側標簽平滑
2.4.5 輸入規範化
2.4.6 批規範化
2.4.7 利用ReLU和MaxPool避免稀疏梯度
2.4.8 優化器和噪聲
2.4.9 不要僅根據統計信息平衡損失
2.5 總結
3 圖像風格跨域轉換
3.1 彌補監督學習和無監督學習之間的空隙
3.2 條件GAN介紹
3.2.1 利用CGAN生成時尚衣櫃
3.2.2 利用邊界均衡固化GAN訓練
3.3 BEGAN的訓練過程
3.3.1 BEGAN的架構