第13章 深度生成模型

深度生成模型(Deep Generative Models) (Deep Generative Models)是一类利用方法生成新样本的模型。这些模型通常被用于生成与训练数据集相似的新数据,例如图像、文本或音频。深度生成模型的两个主要类型是(GANs)和(VAEs)。 阅读详情

第13章 深度生成模型

深度生成模型(Deep Generative Model)是深度学习领域的核心方向之一,核心目标是学习数据的真实分布——不仅能像判别模型(比如分类器)那样做预测,还能“理解”数据的内在规律,甚至生成和真实数据高度相似的新样本(比如生成逼真的图片、文本、语音)。本章会聚焦两类最经典的深度生成模型:变分自编码器(VAE)和生成对抗网络(GAN),用通俗的语言拆解其原理、结构和训练逻辑,适合本科生和研究生入门学习。

13.1 概率生成模型的核心思想

在讲具体模型之前,先明确“生成模型”到底是什么——它和我们熟悉的“判别模型”(比如Logistic回归、CNN分类器)的核心区别在于:

  • 判别模型:学习“输入→输出”的映射(比如“图片→类别标签”),只关注不同类别之间的差异;
  • 生成模型:学习“输入本身的概率分布”(比如“所有猫图片的分布”),关注数据的整体规律。

生成模型的核心价值有两个:

  1. 生成新数据:学会数据分布后,能随机采样生成全新的、逼真的样本(比如生成不存在但像真实猫的图片);
  2. 无监督/半监督学习:不需要大量标注数据,能从无标签数据中学习特征(比如从一堆无标签图片中自动学到“边缘”“形状”等特征)。

13.1.1 密度估计

“密度估计”是生成模型的基础任务——简单说,就是估计数据的概率密度函数(PDF)。比如对于“猫图片”,密度估计就是找到一个函数,能计算任意一张图片是“猫图片”的概率(符合猫图片分布的概率高,不符合的概率低)。

13.1.2 生成样本

当模型学会数据的概率分布后,“生成样本”就很简单了:从这个分布中随机“抽一个点”,这个点对应的就是一张新的、符合数据规律的样本(比如从猫图片分布中抽样,得到一张新的猫图片)。

13.1.3 应用于监督学习

生成模型也能辅助监督学习(比如分类):

  • 半监督学习:用少量标注数据+大量无标签数据训练生成模型,先学到数据的通用特征,再微调分类头,提升分类准确率;
  • 数据增强:生成新的标注样本,补充训练集(比如生成更多手写数字样本,帮助分类器泛化)。

13.2 变分自编码器(VAE)

变分自编码器(Variational Autoencoder, VAE)是2014年提出的生成模型,它结合了“自编码器(AE)”和“变分推断”,既保留了自编码器的特征学习能力,又解决了传统生成模型训练难的问题。

13.2.1 含隐变量的生成模型

VAE的核心创新是引入了“隐变量(Latent Variable)”——可以理解为“数据的内在特征编码”。比如对于猫图片,隐变量可能包含“猫的品种”“姿态”“颜色”等关键信息(这些信息无法直接从图片中观察到,但决定了图片的样子)。

VAE的生成逻辑是:

  1. 隐变量z服从简单的先验分布(比如正态分布N(0,1));
  2. 生成模型从先验分布中采样一个隐变量z;
  3. 通过神经网络将z映射成一张图片x(即x = 生成网络(z));
  4. 最终,模型学到的是“z→x”的映射,以及z的先验分布,从而能通过采样z生成新的x。

13.2.2 推断网络(Encoder)

但这里有个问题:真实数据x的隐变量z是未知的(比如我们不知道某张猫图片的“品种”“姿态”编码是什么)。为了解决这个问题,VAE引入了“推断网络”(也叫编码器Encoder):

  • 输入:真实图片x;
  • 输出:隐变量z的后验分布的参数(比如正态分布的均值μ和方差σ²);
  • 作用:给定x,快速推断出它对应的隐变量z可能服从的分布(不用像传统变分推断那样做复杂计算)。

简单说,编码器的作用是“把数据x压缩成隐变量z的分布”。

13.2.3 生成网络(Decoder)

生成网络(也叫解码器Decoder)是VAE的“生成核心”:

  • 输入:从编码器推断出的隐变量z(或从先验分布采样的z);
  • 输出:重构的图片x̂(或生成的新图片x);
  • 作用:把隐变量z的编码“还原”成数据,相当于“解压缩”+“生成”。

13.2.4 模型汇总(VAE的整体结构)

VAE的整体结构可以总结为“编码器→隐变量→解码器”的闭环:

  1. 编码器(推断网络):x → 估计z的分布(μ, σ²);
  2. 采样:从z的分布中随机采样一个z(这里用了“再参数化技巧”,后面会讲);
  3. 解码器(生成网络):z → 生成x̂(重构x);
  4. 训练目标:让x̂尽可能接近x(重构误差),同时让z的分布尽可能接近先验分布(比如正态分布,正则化项)。

13.2.5 再参数化技巧(Reparameterization Trick)

VAE训练的关键难点是:从z的分布中采样z的过程是“不可导”的(采样是随机操作,梯度无法反向传播)。为了解决这个问题,VAE引入了“再参数化技巧”:

  • 不直接从z的分布N(μ, σ²)中采样z;
  • 而是先从标准正态分布N(0,1)中采样一个随机变量ε;
  • 再通过z = μ + ε·σ 计算z(σ是方差的平方根)。

这样一来,采样过程的随机性被转移到了ε上,μ和σ是神经网络的输出(可导),梯度就能通过μ和σ反向传播,从而训练编码器和解码器。

13.2.6 训练过程

VAE的训练目标是“证据下界(Evidence Lower Bound, ELBO)”,可以拆解为两部分:

  1. 重构损失(Reconstruction Loss):让解码器生成的x̂尽可能接近输入x(比如用MSE损失,衡量像素级差异);
  2. KL散度损失(KL Divergence Loss):让编码器输出的z的分布尽可能接近先验分布(比如正态分布),避免z的分布过于集中(保证生成的多样性)。

训练步骤:

  1. 输入真实数据x到编码器,得到z的分布参数μ和σ;
  2. 用再参数化技巧采样z;
  3. 把z输入解码器,得到重构数据x̂;
  4. 计算重构损失和KL散度损失,总损失为两者之和;
  5. 反向传播更新编码器和解码器的参数;
  6. 训练完成后,生成新样本时,直接从先验分布采样z,输入解码器即可。

13.3 生成对抗网络(GAN)

生成对抗网络(Generative Adversarial Network, GAN)是2014年由Ian Goodfellow提出的生成模型,核心思想是“对抗训练”——让两个神经网络(生成器和判别器)相互竞争、共同进步,最终让生成器能生成以假乱真的样本。

13.3.1 显式密度模型和隐式密度模型

VAE是“显式密度模型”——它明确建模了数据的概率分布(通过隐变量的先验和后验分布);而GAN是“隐式密度模型”——它不直接建模概率分布,而是通过“生成器生成样本”和“判别器判断样本真假”的对抗过程,间接学习数据分布(不需要计算复杂的概率密度)。

13.3.2 网络分解(生成器和判别器)

GAN的核心是两个对立又协作的神经网络:

1. 生成器(Generator, G)
  • 角色:“造假者”,目标是生成“以假乱真”的样本;
  • 输入:随机噪声z(比如服从正态分布的向量);
  • 输出:生成的假样本G(z)(比如一张假的猫图片);
  • 训练目标:让判别器无法区分G(z)和真实样本x。
2. 判别器(Discriminator, D)
  • 角色:“鉴别师”,目标是准确区分“真实样本x”和“生成器的假样本G(z)”;
  • 输入:样本(真实样本x或假样本G(z));
  • 输出:样本为真实样本的概率D(x)(0~1之间,1表示“真实”,0表示“虚假”);
  • 训练目标:让D(x)尽可能接近1(真实样本判为真),D(G(z))尽可能接近0(假样本判为假)。

13.3.3 训练过程(对抗博弈)

GAN的训练过程是一个“极小极大博弈”,可以通俗理解为“造假者和鉴别师的斗争”:

  1. 初始化生成器G和判别器D的参数;
  2. 迭代训练:
    a. 训练判别器D:
    • 从真实数据集中采样一批真实样本x;
    • 从噪声分布中采样一批噪声z,通过G生成一批假样本G(z);
    • 把x和G(z)输入D,计算损失(比如交叉熵损失),更新D的参数(让D更擅长区分真假);
      b. 训练生成器G:
    • 从噪声分布中采样一批噪声z,通过G生成一批假样本G(z);
    • 把G(z)输入D,计算损失(让D误以为G(z)是真实样本,即D(G(z))尽可能接近1);
    • 更新G的参数(让G生成的样本更逼真,欺骗D);
  3. 收敛条件:当判别器无法区分真假样本时(D(x)≈0.5,D(G(z))≈0.5),生成器就学到了数据的分布,能生成以假乱真的样本。

13.3.4 一个具体实现:DCGAN

深度卷积生成对抗网络(Deep Convolutional GAN, DCGAN)是GAN的经典实现,主要改进是用卷积神经网络(CNN)替代了传统的全连接网络,让生成的图像更清晰、更逼真。

DCGAN的结构特点:

  • 生成器G:用转置卷积(也叫反卷积)逐步放大输入的噪声z,从低维噪声映射到高维图像(比如从100维噪声→3×64×64的彩色图像);
  • 判别器D:用普通卷积逐步缩小输入图像,最后输出一个概率(判断图像真假);
  • 其他技巧:移除全连接层、使用批量归一化(BatchNorm)、生成器用ReLU激活、判别器用LeakyReLU激活,这些都能提升训练稳定性和生成效果。

13.3.5 模型分析

GAN的优势和挑战:

  • 优势:生成的样本质量高(尤其是图像),不需要显式建模概率分布,训练逻辑直观;
  • 挑战:训练不稳定(容易出现“模式崩溃”——生成器只生成少数几种样本,缺乏多样性)、需要仔细调整超参数(学习率、 batch size等)、收敛判断模糊(没有明确的损失收敛标准)。

13.3.6 改进模型

为了解决GAN的训练问题,研究者提出了很多改进版本,常见的有:

  • Wasserstein GAN(WGAN):用Wasserstein距离替代交叉熵损失,提升训练稳定性,缓解模式崩溃;
  • CycleGAN:引入“循环一致性损失”,能实现无监督图像风格迁移(比如把马变成斑马,不需要成对的马和斑马图片);
  • StyleGAN:引入“风格向量”,能精确控制生成样本的风格(比如生成不同发型、表情的人脸)。

13.4 总结和深入阅读

深度生成模型是深度学习中最具创造性的方向之一,VAE和GAN是两大核心框架,它们的核心区别可以总结为:

模型核心思想生成样本质量训练难度适用场景
VAE变分推断+自编码器中等(图像偏模糊)低(稳定易训练)无监督特征学习、数据生成、降维
GAN对抗训练(生成器vs判别器)高(图像逼真)高(需调参,易崩溃)图像生成、风格迁移、超分辨率重建

学习建议

对于本科生和研究生来说,学习深度生成模型的关键是:

  1. 先理解“生成模型”和“判别模型”的区别,明确生成模型的核心目标(学习数据分布);
  2. 掌握VAE的“隐变量+再参数化技巧”——这是VAE能训练的核心;
  3. 理解GAN的“对抗博弈”逻辑——生成器和判别器的目标对立又统一;
  4. 实践优先:用PyTorch/TensorFlow实现简单的VAE和DCGAN,观察生成样本的变化,直观理解训练过程。

深入阅读资料

  • 书籍:《Deep Learning》(Goodfellow等著,第16-20章详细讲解生成模型);
  • 论文:
    • VAE:Kingma 2014年论文《Auto-Encoding Variational Bayes》;
    • GAN:Goodfellow 2014年论文《Generative Adversarial Nets》;
    • DCGAN:Radford 2016年论文《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》;
  • 工具:TensorFlow/PyTorch的官方生成模型教程,包含VAE、DCGAN的完整代码和注释。

深度生成模型的应用场景还在不断扩展(比如文本生成、语音合成、分子生成等),理解其核心原理能帮助你快速跟进后续的新技术和新模型。

深度生成模型在表格异常检测中的表现与优化 深度生成模型(如变分自编码器VAE、生成对抗网络GAN和归一化流NF)在异常检测领域展现出强大的数据建模能力。其中,归一化流(Normalizing Flows)因其能够精确计算数据似然值,成为基于似然的异常检测方法的首选架构。异常检测的核心原理是通过模型学习正常数据的分布,从而识别偏离该分布的异常数据。在图像数据中,常见的"似然反直觉现象"(即模型为异常数据分配更高似然值的情况)影响了检测的可靠性。然而,研究发现,这种现象在表格数据中极为罕见,表格数据的低维特性和弱特征相关性使得基于似然的异常检测方法表现 阅读详情

相关推荐

深度生成AI核心技术解析:从VAE、GAN到扩散模型的完整指南

深度生成模型作为人工智能领域的重要分支,通过学习数据分布来创造全新样本。其核心原理基于概率分布建模,能够从训练数据中提取内在结构特征。在技术价值方面,生成模型突破了传统判别模型的局限性,为内容创作、药物研发等场景提供了强大的数据生成能力。当前主流的生成模型技术包括变分自编码器(VAE)、生成对抗网络(GAN)和扩散模型等,每种技术都有其独特的优势和应用场景。VAE通过编码器-解码器结构实现稳定的潜在空间学习,GAN则通过生成器与判别器的对抗训练产生高质量样本,而扩散模型则采用逐步去噪的机制达到当前最先进的生

weixin_34220179的博客 341

深度生成模型(Deep Generative Model)---生成对抗网络Generative Adversarial Networks(GANs)

深度生成模型(Deep Generative Model)---生成对抗网络Generative Adversarial Networks(GANs)

weixin_45646640的博客 1001

13、基于深度生成模型的会话推荐系统

本文探讨了深度生成模型在会话推荐系统中的应用,包括自编码器(AE)、生成对抗网络(GAN)和基于流的模型(FBM)。这些模型通过生成更多训练样本和学习用户行为的潜在模式,有效缓解了传统方法在处理稀疏数据和长序列依赖方面的挑战。文章还分析了不同模型的特点、训练难点以及未来研究方向,如多模态数据融合、模型优化和可解释性提升。

p1q2r的博客 153

深度生成模型

深度生成模型13.1 概率生成模型13.2 变分自编码器13.3 生成对抗网络   概率生成模型( Probabilistic Generative Model ),简称生成模型,是概率统计和机器学习领域的一类重要模型,指一系列用于随机生成可观测数据的模型.生成模型通常包含两个基本功能:概率密度估计和生成样本(即采样).   深度生成模型就是利用深度神经网络可以近似任意函数的能力来建模一个复杂分布 pr (x) 或直接生成符合分布pr (x) 的样本. 13.1 概率生成模型   如果要建模含隐变量的分布

weixin_42513086的博客 2020

13、纠缠模型:从基础到深度生成模型的全面解析

本文全面解析了机器学习中的纠缠模型,从基础概念到深度生成模型的应用。纠缠模型通过将简单分布转化为复杂分布,为分类、回归和因子解纠缠提供了有效方法。文章详细介绍了线性高斯模型(如因子分析和概率PCA)、非高斯模型(如ICA和HOPE)以及深度生成模型(如VAE和GAN)的原理、学习方法和应用场景,展示了其在处理复杂数据分布方面的强大能力,并展望了其在图像生成、语音处理等领域的未来发展潜力。

earth的博客 112

13、图生成模型:传统方法与深度生成模型解析

本文系统解析了传统图生成方法与深度生成模型的原理及应用。传统方法包括ER、SBM和PA模型,能够生成具有特定结构的合成图并作为零模型用于分析;深度生成模型如VAE、GAN和自回归方法,则通过神经网络从数据中学习图的分布,具备更强的表达能力和生成多样性。文章详细介绍了各类模型的实现机制、优缺点及适用场景,并通过图表展示了关键算法流程,最后对不同模型进行了对比总结,为图数据的建模与生成提供了全面的技术参考。

d6e7f8的博客 184

Macro Agent Runtime Protocol:面向 Coding Agent 的外层线协议设计与实现

本文以 `agent_runtime_protocol` crate 的设计说明为主线,结合仓库中的 Rust 源码、TypeScript 导出产物与集成示例,系统讲解 Macro 中「Agent Service ⇄ Agent Runtime」之间的外层线协议:它如何在同一条逻辑流上同时承载 ACP 会话流量与运行时控制消息,如何用角色导向的连接(Server/Runtime)屏蔽物理传输差异,

gitblog_00025的博客 399

13、深度生成模型:DDGM的原理、优化与应用

本文深入探讨了深度生成模型DDGM的原理、优化方法及应用。内容涵盖DDGM的基本结构与训练流程,解析边缘化中间步骤、改进反向扩散和简化目标函数等关键技术,并提供了代码示例与训练结果分析。同时,文章总结了DDGM在超分辨率、音频合成等领域的后续研究进展,并将其与VAEs和Flows进行多维度对比,帮助读者理解不同生成模型的适用场景。最后通过完整的代码实现细节和实际应用建议,为DDGM的学习与应用提供全面指导。

bash7scripter的博客 128

【深度学习】必知!5大深度生成模型!

随着Sora、diffusion、GPT等模型的大火,深度生成模型又成为了大家的焦点。深度生成模型是一类强大的机器学习工具,它可以从输入数据学习其潜在的分布,进而生成与训练数据相似的新的样本数据,它在计算机视觉、密度估计、自然语言和语音识别等领域得到成功应用, 并给无监督学习提供了良好的范式。本文汇总了常用的深度学习模型,深入介绍其原理及应用:VAE(变分自编码器)、GAN(生成对抗网络)、AR(...

fengdu78的博客 1751

(三)2. 深度生成模型-扩散模型(去噪扩散概率模型)

扩散概率模型是一个参数化的马尔可夫链,使用变分推理训练,在有限时间后产生与数据匹配的样本。这条链的转换被学习为逆转扩散过程,扩散过程是一个马尔可夫链,它逐渐向相反采样方向的数据增加噪声,直到信号被破坏。

weixin_40614311的博客 1884

31、纠缠模型:从线性到深度生成的探索

本文系统探讨了从线性到深度生成的纠缠模型,涵盖概率主成分分析(PCA)、因子分析、独立成分分析(ICA)、独立因子分析(IFA)和混合正交投影与估计(HOPE)等线性模型,并比较了它们在数据降维、盲源分离和高维建模中的应用。随后,文章引入深度生成模型,重点介绍变分自编码器(VAE)如何通过变分下界和重参数化技巧解决非线性混合函数的训练难题,展示了从传统统计方法到现代深度生成模型的演进路径。

wasm7browser的博客 58

【机器学习基础算法:从零实现到精通】第13章 深度生成模型

RealNVP架构将输入维度划分为两半,一半直接通过,另一半通过以通过部分为条件的神经网络进行仿射变换,棋盘掩码与通道掩码交替实现所有维度的耦合交互,保持前向生成与反向推断的解析可逆性。引导生成技术利用条件信息控制扩散模型的采样过程,分类器引导借助显式分类器的梯度信息调整扩散轨迹,通过梯度缩放系数平衡生成样本的逼真度与类别一致性,缩放系数增强引导强度使生成样本更忠实于条件约束,过高则牺牲样本多样性。辅助分类器生成器同时优化对抗目标与分类准确率,强制生成样本具备明确的类别归属,提升多类别场景下的模式覆盖率。

VectorShift的博客 390

32、深度生成模型与贝叶斯学习:原理、方法与应用

本文深入探讨了深度生成模型与贝叶斯学习的核心原理、方法及其应用。首先介绍了变分自编码器(VAE)和生成对抗网络(GAN)的基本结构与训练机制,分析了它们在生成模型学习中的优势与挑战。随后系统阐述了贝叶斯学习的基本概念,包括先验与后验分布、贝叶斯推断、最大后验估计(MAP)以及顺序贝叶斯学习,并通过高斯模型示例展示了其动态更新过程。文章还提供了多个理论练习与可视化流程图,帮助读者加深理解。整体内容涵盖从生成模型到贝叶斯推理的完整知识体系,适用于机器学习研究者与实践者。

wasm7browser的博客 60

从零实现简单深度生成模型:初学者的完整指南

深度生成模型是《神经网络与深度学习》中最令人兴奋的领域之一,它让计算机能够像人类一样创造新内容。本文将带你逐步构建一个基础的深度生成模型,无需深厚的数学背景,只需跟随清晰的步骤和直观的示例,就能掌握这一强大技术的核心原理。 ## 深度生成模型入门:核心概念解析 深度生成模型是一类能够从数据中学习规律并生成新样本的神经网络。与识别图像或文本的判别模型不同,生成模型专注于**"创造"**——无论是

gitblog_00091的博客 758

自由能计算AI加速教程(14):深度生成模型造桥——DeepBAR、ATM 与 learned-mapping TFEP 的原理与边界

方法公开验证规模生产就绪度主要障碍DeepBARhost–guest 等中等体系(论文级)研究级生成模型的体系泛化 + 训练成本ATM绝对结合估计(论文级,含与 ML 力场组合的研究)研究级软核参数与采样协议需逐体系调原型小体系研究级映射网络在复杂体系的训练稳定性小分子/凝聚相原型研究级每体系重训/迁移成本推论:2026 年的现状是——"AI 跳过窗口"论文活跃、生产罕见。

kkchenjj的博客 28

避开地图定位的坑:手把手教你处理GCJ-02和WGS-84坐标转换(2023最新版)

本文深入解析了GCJ-02与WGS-84坐标系转换的核心原理与常见误区,提供了详细的代码实现与精度控制方法。针对地图定位开发中的实际痛点,文章重点阐述了如何通过迭代逼近法实现高精度坐标转换,并给出了误差测试与业务场景下的工程实践指南,帮助开发者有效规避定位漂移等问题。

lstm7chronicler的博客 1172

如何生成「好」的图?面向图生成的深度生成模型系统综述|TPAMI2022

视学算法报道来源:专知【导读】本文对用于图生成的深度生成模型领域的文献进行了广泛的概述。https://www.zhuanzhi.ai/paper/a904f0aa0762e65e1dd0b8b464df7168图是描述对象及其关系的重要数据表示形式,它们出现在各种各样的现实场景中。图生成是该领域的关键问题之一,它考虑的是学习给定图的分布,生成更多新的图。然而,由于其广泛的应用,具有丰富历...

zandaoguang的博客 184

NumPy 与 Pandas 的详细应用(含实例)

本文系统介绍了Python数据分析中NumPy和Pandas两大核心库的应用。NumPy专注于高效数值计算,提供多维数组和向量化运算功能;Pandas则擅长结构化数据处理,支持数据清洗、分组统计等操作。文章详细讲解了库的安装、基础操作(数组/DataFrame创建、索引切片)、进阶功能(缺失值处理、分组聚合),并通过电商销售分析案例演示了实际应用场景。最后总结了二者的协同优势:NumPy负责底层数值计算,Pandas处理高级数据操作,配合使用可显著提升数据处理效率。建议读者从基础操作入手,结合实际案例练习,

weixin_42030577的博客 2301

115页Slides带你领略深度生成模型全貌(附PPT)

来源:专知本文多图,建议阅读8分钟。本文为大家带来了斯坦福大学PH.D Aditya Grover同学的深度生成模型tutorial。[ 导读 ]当地时间 7 月 13 ...

数据派THU 874

搭建自己的MQTT服务器,实现设备上云(Ubuntu+EMQX)

这篇文章教大家在ECS云服务器上部署EMQX,搭建自己私有的MQTT服务器,配置EMQX实现设备上云,设备数据转发,存储;服务器我采用的华为云的ECS服务器,系统选择Ubuntu系统。

2万+

beegfs源码分析

BeeGFS的客户端是由一个内核模块和两个系统服务组成的,这里咱们主要分析内核模块。由于BeeGFS的目录树解析,是在父目录DEntry里找子目录或文件DEntry,逐级迭代完成的,所以在Mount文件系统时,须要从管理节点获取根元数据节点的ID,而后再向根元数据节点查询根目录的DEntry的信息,为后续的目录解析打下基础。获取类似/data/beeond/data/dentries/38/51/root/#fSiDs#/文件fileId的父路径。1.1 FileID的生成。Session网络消息。

wfzy的博客 1914

python开发cs_斯坦福CS236深度生成模型课程资料

CS236 Fall 2018, The "IAN" class of Stanford. Generative Models or "GANS" in the spotlight, here I begin my CS236 journey. Though I didn't enroll in the class, I used my stanford email to set up my la...

weixin_39654917的博客 213

5.6华为OD机试真题 新系统 - 匹配命令行前缀关键字 (Java/Py/C/C++/Js/Go)

5.6华为OD机试真题 新系统 - 匹配命令行前缀关键字本文整理华为 OD 机试新系统机考真题库,涵盖高频考点精析与完整题目内容,提供 C 语言、Java、C++、Python、Go、JavaScript 多语言源码实现,搭配详细解题思路讲解,并支持在线 OJ 刷题练习,助力高效备考华为 OD 机试新系统。

算法大师! 2131
上一篇: 第12章 深度信念网络
下一篇: 【回归算法】弹性网络回归(Elastic Net Regression)详解
「已注销」
博客等级 码龄1年 312粉丝 132原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

「已注销」

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值