1. 毕业设计（论文）主要内容：

2014年，goodfellow 等人开创性地提出了生成对抗网络（gan, generative adversarial network），通过两个神经网络互相博弈的方式来进行学习，这是生成模型和无监督特征学习的重大进展。

1.分析基本gan的结构，重点剖析dcgan和pg-gan模型的结构，功能及优缺点。

2.分别使用dcgan模型和pg-gan模型进行人脸图像的训练，数据集可采用lfw和celeba数据集，然后可根据约束条件进行人脸图像生成，如性别、年龄、是否戴眼镜、是否戴帽子等条件，并对生成的人脸图像进行评价分析。

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. 2019/1/11—2019/1/22：查阅参考文献，明确选题；

2. 2019/2/18—2019/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告,翻译英文资料；

3. 2019/3/8—2019/4/5：熟悉所选用的开发平台进行需求分析，算法或系统设计，分析、比较或实现等；

4. 主要参考文献

1.Goodfellow I, Pouget- Abadie J, Mirza M. Generative Adversarial Networks[DB/OL]. 2014.6.10.
2.Alec Radford amp; Luke Metz,UNSUPERVISED REPRESENTATION LEARNING WITH DEEP CONVOLUTIONAL GENERATIVE ADVERSARIAL NETWORKS.2016.1.7
3.Tim Salimans, Ian Goodfellow etc.Improved Techniques for Training GANs.2016.6.10
4.PG-GAN: PROGRESSIVE GROWING OF GANS FOR IMPROVED QUALITY, STABILITY, AND VARIATION.
5.Tero Karras etc.A Style-Based Architecture for Generative Adversarial Networks.https://arxiv.org/pdf/1812.04948.pdf 2018.12
6.王坤峰, 苟超, 段艳杰,等. 生成式对抗网络GAN的研究进展与展望[J]. 自动化学报, 2017, 43(3):321-332.