生成对抗神经网络（Generative Adversarial Nets，GAN）作为一种深度学习框架，发展十分迅猛。通过相互对抗的神经网络模型，GAN能够生成结构复杂且十分逼真的高维度数据。因此，GAN被广泛地应用在学术研究和工程领域，包括图像处理，如图像生成、图像转换、视频合成等；序列数据生成，如语音生成、音乐生成等；以及其他众多领域，如迁移学习、医学图像细分、隐写术、持续学习（深度学习重放）等。
GAN的技术较为复杂，细分领域众多，因此需要有一个高效率的学习方法。首先，需要了解GAN的全景，对GAN的发展脉络和各个细分领域都有所了解。这样，当我们面对各种各样的应用场景时，才能够做到胸有成竹。其次，掌握生成对抗的基本原理，以及实现生成对抗的关键技术。这样，当我们面对在GAN领域出现的各种新理念、新技术时，才能够追本溯源，从容应对。最后，针对自己感兴趣的GAN进行深入地研究。本书正是这样组织的，让有志于学习研究GAN的人能够快速入门并掌握GAN的关键技术。

李明军，资深数据挖掘与人工智能专家，在大数据分析与挖掘、机器学习、人工智能等领域实战经验丰富。曾就职于Teradata、中国惠普、神州泰岳和亿阳信通，现工作于东方国信。知乎多个专栏主笔：计算机视觉、生成对抗网络、强化学习等，著有《TensorFlow深度学习实战大全》。

第1章 生成对抗神经网络综述
1.1 什么是生成对抗神经网络
1.1.1 GAN架构
1.1.2 判别模型
1.1.3 生成模型
1.1.4 训练方法
1.2 为什么要学习GAN？
1.2.1 GAN的应用场景非常广泛
1.2.2 GAN既关注全局又关注细节
1.2.3 GAN能生成足够逼真的数据
1.2.4 GAN能够快速地生成数据
1.2.5 GAN无须预设样本数据空间分布
1.2.6 对GAN的研究爆发性增长
1.3 应用场景
1.3.1 图像生成
1.3.2 多域图像生成
1.3.3 图像转换
1.3.4 多域图像转换
1.3.5 图像超分辨率
1.3.6 对象检测
1.3.7 对象变换
1.3.8 文本转图像
1.3.9 变换面部特征
1.3.10 音乐合成
1.3.11 语言合成
1.3.12 语音合成
1.3.13 半监督学习——采用判别模型
1.3.14 半监督学习——采用辅助分类器
1.3.15 域自适应
1.3.16 其他应用
1.4 技术难点
1.4.1 模型训练困难及相应的解决方法
……
第2章 TensorFlow 2.0安装
第3章 神经网络原理
第4章 TensorFlow 2.0开发入门
第5章 常用数据集
第6章 DCGAN
第7章 CGAN
第8章 InfoGAN
第9章 SGAN
第10章 CycleGAN