Galleria mappe mentale Genera modello
Un'introduzione più dettagliata al modello GAN della rete generativa, condividendo la conoscenza dell'apprendimento non supervisionato, dei modelli generativi, della classificazione dei modelli e delle reti classiche. Spero che questa mappa del cervello ti sia utile.
Modificato alle 2023-07-27 22:53:43Microbiologia medica, Infezioni batteriche e immunità riassume e organizza i punti di conoscenza per aiutare gli studenti a comprendere e ricordare. Studia in modo più efficiente!
La teoria cinetica dei gas rivela la natura microscopica dei fenomeni termici macroscopici e le leggi dei gas trovando la relazione tra quantità macroscopiche e quantità microscopiche. Dal punto di vista del movimento molecolare, vengono utilizzati metodi statistici per studiare le proprietà macroscopiche e modificare i modelli di movimento termico delle molecole di gas.
Este é um mapa mental sobre uma breve história do tempo. "Uma Breve História do Tempo" é um trabalho científico popular com influência de longo alcance. Ele não apenas introduz os conceitos básicos da cosmologia e da relatividade, mas também discute os buracos negros e a expansão. Do universo. questões científicas de ponta, como inflação e teoria das cordas.
Microbiologia medica, Infezioni batteriche e immunità riassume e organizza i punti di conoscenza per aiutare gli studenti a comprendere e ricordare. Studia in modo più efficiente!
La teoria cinetica dei gas rivela la natura microscopica dei fenomeni termici macroscopici e le leggi dei gas trovando la relazione tra quantità macroscopiche e quantità microscopiche. Dal punto di vista del movimento molecolare, vengono utilizzati metodi statistici per studiare le proprietà macroscopiche e modificare i modelli di movimento termico delle molecole di gas.
Este é um mapa mental sobre uma breve história do tempo. "Uma Breve História do Tempo" é um trabalho científico popular com influência de longo alcance. Ele não apenas introduz os conceitos básicos da cosmologia e da relatividade, mas também discute os buracos negros e a expansão. Do universo. questões científicas de ponta, como inflação e teoria das cordas.
Genera modello
apprendimento non supervisionato
dati
Senza etichetta
Basso costo di acquisizione
Bersaglio
Trova modelli o strutture nascosti nei dati
esempio
raggruppamento
k-significa
Riduzione della dimensionalità
Analisi del componente principale
Apprendimento delle funzionalità
codifica automatica
stima della densità
Genera modello
Dato un set di addestramento, generare nuovi campioni con la stessa distribuzione del set di addestramento
Problemi fondamentali nell’apprendimento non supervisionato
stima della densità
Idee tipiche
Mostra stima della densità
Definire e risolvere per Px
Stima implicita della densità
Impara il modello P senza definizione esplicita
Classificazione dei modelli
PixelRNN/CNN
Utilizza il criterio della catena per convertire la probabilità di generazione dell'immagine x nel prodotto delle probabilità di generazione di ciascun pixel
È molto complesso, quindi è necessaria una rete neurale per modellarlo.
·
Caratteristiche
vantaggio
La funzione di verosimiglianza può essere calcolata esattamente
Le prestazioni del modello possono essere valutate efficacemente utilizzando il valore della funzione di verosimiglianza
discordanza
La generazione della sequenza è lenta
Codificatore automatico variazionale (VAE)
La codifica automatica utilizza la ricostruzione per addestrare le caratteristiche a bassa dimensionalità a rappresentare
Encoder variazionale VAE
presunto
L'input z è un vettore e obbedisce alla distribuzione normale
Ogni dimensione di z rappresenta un attributo
Caratteristiche
vantaggio
Un modo importante per generare modelli
È possibile calcolare q(z|x) e questa rappresentazione della caratteristica può essere utilizzata in molte altre attività
discordanza
Il limite inferiore della funzione di massima verosimiglianza funziona in modo efficace, ma il modello in sé non è così facile da valutare come PixelCNN
Produce campioni sfocati e di qualità inferiore rispetto a GAN
GAN genera modelli contraddittori
domanda
Speriamo di campionare nuovi dati dalla distribuzione del campione di addestramento, ma questa distribuzione non solo è altamente dimensionale ma anche molto complessa, rendendo difficile l'implementazione diretta.
risolvere
Campionare una distribuzione semplice, come la distribuzione uniforme; quindi apprendere una mappatura per trasformarla nella distribuzione del campione di addestramento
composizione
Genera rete
Si spera di generare immagini il più realistiche possibile e quindi ingannare il discriminatore.
rete discriminativa
Spero di essere in grado di distinguere con precisione tra immagini reali e false
Formazione congiunta utilizzando il metodo minimax
Completa in modo alternato
discriminatore
Costruttore
Visualizzazione
Lasciamo che gli pseudo campioni generati si avvicinino il più possibile alla distribuzione dei campioni reali, in modo che il discriminatore possa trovarsi in uno stato di indistinguibilità tra vero e falso.
rete classica
Rete avversaria generativa convoluzionale DCGAN
Lo stato è stabile durante il processo di formazione, ottenendo efficacemente la generazione di immagini di alta qualità.
Regole (empiriche)
Utilizza le convoluzioni invece di raggruppare i livelli
Rimuovi il livello completamente connesso
Utilizzare la normalizzazione batch
Utilizzare la funzione di attivazione appropriata
La rete di generazione utilizza ReLU e il livello di output utilizza Tanh.
Il discriminatore utilizza LeaklyReLU
Problema di ottimizzazione GAN LSGAN, WGAN
domanda
Quando i campioni generati e i campioni reali non si sovrappongono, la divergenza JS è sempre log2
Funzione obiettivo LSGAN
Modificare la funzione sigmod in una funzione di regressione lineare
WGAN
misura della distanza
Distanza del bulldozer
Fai in modo che la rete si alleni nella direzione desiderata
GAN condizionale
domanda
Esiste un problema "etichetta a molti". I risultati di output delle reti neurali tradizionali sono il più vicino possibile a ciascun risultato dell'addestramento, con il risultato che le immagini generate risultano molto sfocate e persino indistinguibili.
Si prevede che il contenuto di output sia vario e possa essere controllato
funzione obiettivo
Piano di attuazione
cGAN
SGAN
ACGAN (comunemente usato)
funzione obiettivo
Lc è la perdita di classificazione, Ls è la perdita di discriminazione vera e falsa
infoGAN
Controllare le variabili nascoste in modo che abbiano definizioni fisiche chiare
testo in immagine
StackGAN
immagine per immagine
iGAN
Pix2Pix
cicloGAN
StarGAN
Una rete genera cinque stili