近年来，学术界和产业界均出现了这样的现象：将深度学习技术引入科研工作更容易发表论文和申请课题、产业项目中融入深度学习技术相对更能吸引融资与关注。
确实，随着这些年深度学习技术的井喷式发展，其在产研界多个领域的应用均取得了不错的成绩。
今天，我们主要聊聊被“卷积之父”Yann LeCun誉为「过去十年计算机科学领域最有趣的想法之一」的生成对抗网络（Generative Adversarial Networks，GAN）。
该技术在生物及医学领域的应用尤其有前景！GAN在医学领域应用多主要是因为医疗数据相对来说数据量小，难获得，因此很有必要利用GAN来扩充数据。比如，深度学习方法采用率急剧上升的医学影像学：据估计，仅2016、2017年相关内容在MICCAI、MIDL等主要医学影像相关会议和期刊上发表的论文超过400篇，其中最受关注的深度学习方法就是GAN！GAN在影像组学、组织病理学和皮肤科学等领域均有大量应用[1][2]。
（GAN在生物医学领域应用的冰山一角）
除了上述内容，GAN还应用于临床研究中非常有前途的放射基因组学：基于生成对抗网络的端到端结节图像生成和放射基因图谱学习、基于对抗学习多尺度特征的重叠染色体自动分割方法等；以及用GAN来保护患者医疗数据隐私、研发新药等[3]。这些将GAN与生物医学结合的工作为整个领域进步做出了一定的贡献。
自2014年被Ian Goodfellow提出至今，GAN已发展成为近年来复杂分布上无监督学习最具前景的方法之一。
在百度学术上，GAN的内容已多达十万条！
越来越多领域开始关注GAN、善用GAN。其中也包括高质量翻译、动作迁移、影像修复等文化创意领域。
不得不说，GAN真的又有趣又有用。但为什么GAN方向算法岗非常高薪却难招人？不少交叉学科对GAN的应用仅是浅尝辄止？
原因之一是GAN的模型结相对特别、不同模型衡量方法也各有千秋，全靠自学实在不易。
为此，百度飞桨在为用户提供算法等支持的同时，特别推出了完全公开免费的《生成对抗网络7日打卡营》，帮助更多开发者、交叉学科的小伙伴理解GAN的原理、模型脉络与具体代码。能高效的理解GAN、应用GAN。
【理论+实战｜7天摸清GAN】
课程由百度深度学习技术平台部高级研发工程师讲解、7位深度学习领域码龄超5年的高水平助教在线答疑。
每晚1小时，7天掌握GAN理论与开发。打卡营全程直播，详细讲解GAN基础原理及模型脉络+具体代码。为了让大家更好的吸收知识，研发大哥精心准备了预习文档（内附精选的16篇GAN模型原论文）、客观题与代码实战作业，结营的时候会引导大家参加比赛。
敲重点：打卡营全程免费！文末附超实用奖品池介绍、报名地址～
【课程大纲】
Day1_GAN基础概念及应用介绍
详解GAN核心思想、WGAN代码等
Day2_GAN的技术演进及生成应用
主讲DCGAN、LS-GAN、stylegan部分
Day3_图像翻译及卡通画应用
主讲CGAN、pix2pix、cyclegan、Photo2Cartoon
Day4_超分辨率及老视频修复
主讲SRGAN、ESRGAN、EDVR等模型
Day5_动作迁移理论及实践
详解FirstOrderMotion模型
Day6_Wav2lip唇形合成理论｜开源建设
大作业：代码题-自选生成模型实现超分
hello，我是列霖，百度DLTP高级研发工程师，我将带你开启GAN的大门。
大家好，我是李毛，百度DLTP高级研发工程师，动作迁移、唇形合成我来带你学～
我是娜娜～百度DLTP研发工程师，图像超分就交给我吧！
依依～百度DLTP工程师。我将详解开源建设的内容，怀揣开源精神的同学请关注我～
我是郝强，小视科技算法工程师，也是一名PPDE，人像卡通化跟我学～
飞桨PPDE 3 位、深度学习领域在读博士 4 位
遇到问题不用怕，我们 7 个在线为你答疑
【高bigger学习激励】
送你一朵小红花，奖励在繁忙的工作和学习之余，还在努力的你！
一等奖 1 名：HHKB Professional静电容蓝牙键盘（价值2k的键盘界凡尔赛）
二等奖 2 名：Kindle paperwhite 电子阅读器（价值1k的阅读器、续航久、护眼还防水）
三等奖 6 名：小度无线智能耳机（国货之光实时翻译）
优秀奖 20 名：经典纸质书任选_《Generative Deep Learning》、《Deep Learning》、《零基础实践深度学习》
总成绩由你的代码和开源精神决定！达到结业水平（作业均及格）的同学将获得百度飞桨官方颁发的结业证书+100小时GPU算力卡，为渴望进步的同学添一份力！
【开课时间】
4月15日 ｜20:30-21:30
（预习及作业已发布，可以先热身啦）
【 立即报名 】
扫描左侧二维码，关注飞桨公众号，回复【课程】，获取报名地址。
高T直播带学，机会难得，祝大家学习顺利，期待与你在更高更远处相遇！
【 参考文献 】
[1] Xu Z , Wang X , Shin H C , et al. Correlation via synthesis: end-to-end nodule image generation and radiogenomic map learning based on generative adversarial network[J]. 2019.
[2] Zhang G , Tzoumas S , Kai C , et al. Generalized Adaptive Gaussian Markov Random Field for X-Ray Luminescence Computed Tomography[J]. IEEE Transactions on Biomedical Engineering, 2017, PP(99).
[3] Yi X , Walia E , Babyn P . Generative Adversarial Network in Medical Imaging: A Review[J]. Medical Image Analysis, 2019, 58:101552.
