1. 毕业设计（论文）主要内容：

生成对抗网络是14年goodfellow ian在论文generative adversarial nets中提出来的。近些年来，生成对抗网络在许多图像生成和图像编辑任务上都获得了很大的成功，并受到越来越多的关注。

生成对抗网络包括了两套独立的网络，两者之间作为互相对抗的目标。第一套网络是我们需要训练的判别器，用来分辨是否是真实数据还是虚假数据；第二套网络是生成器，生成类似于真实样本的随机样本，并将其作为假样本。

在训练过程中，判别器会接收真数据和生成器产生的假数据，它的任务是判断图片是属于真数据的还是假数据的。对于最后输出的结果，可以同时对两方的参数进行调优。如果判别器判断正确，那就需要调整生成器的参数从而使得生成的假数据更为逼真；如果判别器判断错误，则需调节生成器的参数，避免下次类似判断出错。训练会一直持续到两者进入到一个均衡和谐的状态。训练后的产物是一个质量较高的自动生成器和一个判断能力较强强的判别器。前者可以用于机器创作，而后者则可以用来机器分类。

2. 毕业设计（论文）主要任务及要求

1. 查阅15篇相关文献（含近五年外文3篇），并每篇书写200—300字文献摘要（装订成册，带封面）；

2. 认真填写周记，完成800字开题报告；

3. 完成5000中文字以上的相关英文专业文献翻译，并装订成册（中英文一起，带封面）；

3. 毕业设计（论文）完成任务的计划与安排

(1) 2018/1/14—2018/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2) 2018/3/1—2018/4/30：系统架构、程序设计与开发、系统测试与完善；

(3) 2018/5/1—2018/5/25：撰写及修改毕业论文；

4. 主要参考文献

[1] bengio, yoshua, ian j. goodfellow, and aaron courville. deep learning [m]. mit press,

2015.https://github.com/hftrader/deeplearningbook/raw/master/deeplearningbook.pdf

[2] lecun, yann, yoshua bengio, and geoffrey hinton. “deep learning [j]. nature 521.7553,