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, 被广泛应用于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; 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、医学图象细分、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, 发展十分迅猛, 因此, 需要一个科学有效的学习方法。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, 在面对各种各样的应用场景时能够胸有成竹。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, 在面对GAN领域出现的各种新理念、新技术时能够追本溯源, 从容应对。最后, 再针对关键的GAN进行深入研究。本书正是按照上述方式来组织的。让有志于学习研究GAN的读者快速入门并掌握GAN的关键技术, 是写作本书的初衷。