Galeria de mapas mentais Gerar modelo
Uma introdução mais detalhada ao modelo GAN de rede generativa, compartilhando o conhecimento de aprendizagem não supervisionada, modelos generativos, classificação de modelos e redes clássicas. Espero que este mapa cerebral seja útil para você.
Editado em 2023-07-27 22:53:43Il s'agit d'une carte mentale sur les anévrismes intracrâniens, avec le contenu principal, notamment: le congé, l'évaluation d'admission, les mesures infirmières, les mesures de traitement, les examens auxiliaires, les manifestations cliniques et les définitions.
Il s'agit d'une carte mentale sur l'entretien de comptabilité des coûts, le principal contenu comprend: 5. Liste des questions d'entrevue recommandées, 4. Compétences de base pour améliorer le taux de réussite, 3. Questions professionnelles, 2. Questions et réponses de simulation de scénarios, 1. Questions et réponses de capacité professionnelle.
Il s'agit d'une carte mentale sur les méthodes de recherche de la littérature, et son contenu principal comprend: 5. Méthode complète, 4. Méthode de traçabilité, 3. Méthode de vérification des points, 2. Méthode de recherche inversée, 1. Méthode de recherche durable.
Il s'agit d'une carte mentale sur les anévrismes intracrâniens, avec le contenu principal, notamment: le congé, l'évaluation d'admission, les mesures infirmières, les mesures de traitement, les examens auxiliaires, les manifestations cliniques et les définitions.
Il s'agit d'une carte mentale sur l'entretien de comptabilité des coûts, le principal contenu comprend: 5. Liste des questions d'entrevue recommandées, 4. Compétences de base pour améliorer le taux de réussite, 3. Questions professionnelles, 2. Questions et réponses de simulation de scénarios, 1. Questions et réponses de capacité professionnelle.
Il s'agit d'une carte mentale sur les méthodes de recherche de la littérature, et son contenu principal comprend: 5. Méthode complète, 4. Méthode de traçabilité, 3. Méthode de vérification des points, 2. Méthode de recherche inversée, 1. Méthode de recherche durable.
Gerar modelo
aprendizagem não supervisionada
dados
Sem rótulo
Baixo custo de aquisição
Alvo
Encontre padrões ou estruturas ocultas nos dados
exemplo
agrupamento
k-significa
Redução de dimensionalidade
Análise do componente principal
Aprendizagem de recursos
codificação automática
estimativa de densidade
Gerar modelo
Dado um conjunto de treinamento, gere novas amostras com a mesma distribuição do conjunto de treinamento
Questões centrais na aprendizagem não supervisionada
estimativa de densidade
Ideias típicas
Mostrar estimativa de densidade
Defina e resolva para Px
Estimativa de densidade implícita
Aprenda o modelo P sem definição explícita
Classificação do modelo
PixelRNN/CNN
Use o critério da cadeia para converter a probabilidade de geração da imagem x no produto das probabilidades de geração de cada pixel
É muito complexo, portanto é necessária uma rede neural para modelá-lo.
·
Características
vantagem
A função de verossimilhança pode ser calculada exatamente
O desempenho do modelo pode ser avaliado de forma eficaz usando o valor da função de verossimilhança
deficiência
A geração de sequência é lenta
Autoencodificador Variacional (VAE)
A codificação automática usa reconstrução para treinar recursos de baixa dimensão para representar
Codificador Variacional VAE
assumido
A entrada z é um vetor e obedece à distribuição normal
Cada dimensão de z representa um atributo
Características
vantagem
Uma forma importante de gerar modelos
q(z|x) pode ser calculado e esta representação de recurso pode ser usada em muitas outras tarefas
deficiência
O limite inferior da função de máxima verossimilhança funciona de forma eficaz, mas o modelo em si não é tão fácil de avaliar quanto o PixelCNN
Produz amostras borradas e qualidade inferior em comparação com GAN
GAN gera modelos adversários
pergunta
Esperamos obter novos dados da distribuição da amostra de treinamento, mas essa distribuição não é apenas altamente dimensional, mas também muito complexa, dificultando sua implementação direta.
resolver
Experimente uma distribuição simples, como a distribuição uniforme e, em seguida, aprenda um mapeamento para transformá-la na distribuição da amostra de treinamento;
composição
Gerar rede
Espera-se gerar imagens tão realistas quanto possível e assim enganar o discriminador.
rede discriminativa
Espero ser capaz de distinguir com precisão entre imagens reais e falsas
Treinamento conjunto usando o método minimax
Preencha alternadamente
discriminador
Construtor
Visualização
Deixe as pseudoamostras geradas se aproximarem o máximo possível da distribuição das amostras reais, para que o discriminador possa ficar em um estado indistinguível entre verdadeiro e falso.
rede clássica
Rede Adversarial Gerativa Convolucional DCGAN
O estado fica estável durante o processo de treinamento, conseguindo efetivamente a geração de imagens de alta qualidade.
Regras (empíricas)
Use convoluções em vez de agrupar camadas
Remover camada totalmente conectada
Usar normalização em lote
Use a função de ativação apropriada
A rede de geração utiliza ReLU e a camada de saída utiliza Tanh.
O discriminador usa LeaklyReLU
Problema de otimização GAN LSGAN, WGAN
pergunta
Quando as amostras geradas e as amostras reais não se sobrepõem, a divergência JS é sempre log2
Função objetivo LSGAN
Mude a função sigmod para uma função de regressão linear
WGAN
medida de distância
Distância da escavadeira
Faça a rede treinar na direção desejada
GAN condicional
pergunta
Existe um problema de rótulo para muitos. Os resultados de saída das redes neurais tradicionais são o mais próximo possível de cada resultado de treinamento, resultando em imagens geradas muito borradas e até indistinguíveis.
Espera-se que o conteúdo de saída seja diversificado e possa ser controlado
função objetiva
Plano de implementação
cGAN
SGAN
ACGAN (comumente usado)
função objetiva
Lc é a perda de classificação, Ls é a perda de discriminação verdadeira e falsa
infoGAN
Controle variáveis ocultas para que tenham definições físicas claras
texto para imagem
StackGAN
imagem para imagem
iGAN
Pix2Pix
cicloGAN
StarGAN
Uma rede gera cinco estilos