chapter-13-生成式模型

最新推荐文章于 2025-05-01 16:25:14 发布
原创 最新推荐文章于 2025-05-01 16:25:14 发布 · 935 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文详细介绍了生成式模型的三种主要类型：pixelRNNs & pixelCNNs、变分自编码器（VAEs）和生成式对抗网络（GANs）。在VAEs中，我们通过编码器和解码器学习数据分布，而GANs则通过生成器和判别器的对抗训练来生成新样本。内容涵盖了这些模型的基本原理、训练策略和应用场景。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

生成式模型



假设训练数据符合某分布p，我们的目标是构建一个p模型，来生成和训练数据相似的数据。

从大的分类标准来看，生成式模型分为两类，显式密度估计和隐式密度估计，这取决于我们定义和求解p模型的方式是显式还是隐式。

以下是生成式模型的家族图谱：
在这里插入图片描述

pixelRNNs&pixelCNNs

在这里插入图片描述
这里的定义很简单，唯一的一点疑惑是，如何定义元素的顺序？下面有两种方法：
在这里插入图片描述
在这里插入图片描述

变分自编码器(Variational Autoencoders,VAE)



首先是自编码器：
在这里插入图片描述
首先我们通过编码器来得到输入数据的特征，然后再将其解构来得到一些与输入数据相似的数据。

最低0.47元/天 解锁文章

200万优质内容无限畅学
JachinMa
关注
生成模型实战 | 生成模型（Generative Model）基础
盼小辉丶的博客
06-26 2036
本节介绍了人工智能的一个重要分支——生成模型，介绍了生成模型理论和应用的最新进展。我们从一个简单的示例开始，了解了生成模型最终关注的是对数据的潜在分布进行建模。通过总结生成模型框架，以理解生成模型的重要属性。然后，介绍了有助于理解生成模型的理论基础和关键概率概念，并概述了生成模型的分类方法。
PyTorch生成式人工智能（19）——自回归模型详解与实现
盼小辉丶的博客
07-21 1444
本节通过训练一个基于长短期记忆 (Long Short-Term Memory, LSTM) 网络的文本生成模型，系统介绍了自然语言处理 (Natuarl Language Processing, NLP) 任务的核心技术流程。首先对《安娜·卡列尼娜》文本进行分词和索引化处理，构建词元到整数的映射关系。模型采用序列到序列的训练方式，通过预测下一个词元来学习文本特征。在生成阶段，模型以自回归方式逐步生成文本，并可通过温度和 Top-K 采样调控生成结果的随机性与创造性。
生成式模型
qq_41321169的博客
02-01 5542
半监督模型 目前流行的三种模型 1 PixelRNN&PixelCNN 外链图片转存失败,源站可能有防盗在这里插入!链机制,建描述 ![在这里插入图片描述]直https://接上传(blog.csdnimg.cn/m-28iaB10114162119307.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMzIxMTY5,s
生成式模型(VAE+GAN)
qq_41036272的博客
02-19 6340
1.VAE-变分自编码器 1.1 交叉熵 1.1.1 信息量 首先是信息量。假设我们听到了两件事，分别如下： 事件A：巴西队进入了2018世界杯决赛圈。 事件B：中国队进入了2018世界杯决赛圈。 仅凭直觉来说，显而易见事件B的信息量比事件A的信息量要大。究其原因，是因为事件A发生的概率很大，事件B发生的概率很小。所以当越不可能的事件发生了，我们获取到的信息量就越大。越可能发生的事件发生了，我们获取到的信息量就越小。那么信息量应该和事件发生的概率有关。 假设X是一个离散型随机变量，其取值集合为χ,概率分布函
生成/判别式模型
aksjebdjj的博客
10-11 2923
特性生成式模型判别式模型学习目标联合分布 P(x,y)P(x,y)条件分布 $ P(y数据生成能力可以生成新数据无法生成新数据主要任务数据生成、密度估计、异常检测等分类、回归、序列标注等优势适合处理缺失数据、生成任务分类效果好，训练效率高劣势分类任务性能可能不佳，训练复杂无法生成数据，缺失数据处理能力较差典型模型朴素贝叶斯、GAN、VAE、HMM逻辑回归、SVM、神经网络。
常见生成式模型汇总
weixin_67075116的博客
10-31 1653
模型类型代表模型主要应用场景生成对抗网络 (GAN)图像生成、风格迁移变分自编码器 (VAE)VAE图像生成、数据压缩自动回归模型文本、图像、音频生成基于 Transformer 的生成模型GPT, T5自然语言生成、对话生成扩散模型图像、音频生成能量模型数据生成、特征学习概率图模型隐马尔可夫模型、贝叶斯网络序列生成、缺失数据填充条件生成模型条件图像生成、文本到图像生成树模型句法生成模型结构化文本、语法树生成。
AIGC：生成式模型简介
博学而笃志，切问而近思。
12-01 2843
AIGC：生成式模型简介
编译原理课件：Chapter-10 语义分析和代码生成.ppt
07-06
这种机器模型简化了编译器的设计，使得代码生成更为直观和高效。 10.3 至10.7 声明处理、表达式处理、赋值语句和控制语句的处理 这些章节详细阐述了如何处理不同类型的语句。声明处理涉及到声明变量的类型和分配...
AIGC交互式生成模型对比：Diffusion vs GAN vs Transformer
AI天才研究院
05-01 787
随着AIGC（人工智能生成内容）技术的爆发式发展，生成模型在图像、文本、音频等多模态内容创作中展现出强大能力。本文聚焦三大主流生成模型：Diffusion模型、GAN（生成对抗网络）和Transformer，从技术原理、实现细节、应用场景等维度进行系统性对比，帮助开发者理解不同模型的核心差异与适用场景，为实际项目中的模型选型提供理论支撑。本文遵循"原理解析→技术对比→实战应用→趋势展望"的逻辑结构，通过数学公式推导、代码实现和可视化工具，逐层剖析三大模型的技术特性。核心概念与架构对比算法原理与数学模型。
基于 CarSim 与 Simulink-MPC 实现汽车路径跟踪仿真及视频生成
最新发布
07-22
CarSim 用于搭建汽车动力学模型，参数文件为 chapter.cpar。车辆配置选用 B 级掀背车 2012 款，前轮驱动，功率 125kW，6 速变速箱，传动比 4.1，前后悬为独立式，转向系统为四轮转向，轮胎规格 225/60 R18，制动...
生成式模型和判别式模型
weixin_41149572的博客
03-13 1403
判别式模型（Discriminative Model）是直接对条件概率p(y∣x;θ)p(y|x;θ)p(y∣x;θ)建模。常见的判别式模型有 线性回归模型、线性判别分析、支持向量机SVM、神经网络等。 生成式模型（Generative Model）则会对x和y的联合分布p(x,y)p(x,y)p(x,y)建模，然后通过贝叶斯公式来求得p(yi∣x)p(y_i|x)p(yi​∣x)，然后选取使得p(yi∣x)p(y_i|x)p(yi​∣x)最大的yiy_iyi​，即: 　　argmaxyp(y∣x)=arg
判别式模型与生成式模型 模型分类
yangnianjinxin的博客
10-06 619
Andrew Ng在NIPS2001年有一篇专门比较判别模型和产生式模型的文章：  On Discrimitive vs. Generative classifiers: A comparision of logistic regression and naive Bayes (http://robotics.stanford.edu/~ang/papers/nips01-discri
深度学习之生成式模型
goodluckcwl的专栏
07-18 6417
机器学习模型分生成式模型（Generative Models）和判别式模型(Discriminative Models)。判别式模型就是给出一个判断，比如是哪个类别，是多少值。也就是说，判别式模型给出的是一个值。为什么需要生成式模型？因为有时候不想要一个值，我们想学习一个分布(Distribution)，这个时候就需要生成式模型。总之，生成式模型就是学习到一个分布。 如何表示一个分布？可以用概率密度函数来表示。所以当然可以设计一个模型去学习一个概率密度函数。有了概率密度函数...
生成式模型、判别式模型
gejun318的博客
08-24 227
优缺点 生成式模型 得到的是联合概率分布，能够得到更多信息，但是付出代价需要样本较多，计算更多； 当样本数据较多，能够快速收敛 （隐马尔科夫、朴素贝叶斯、LDR） 判别式模型 得到条件概率分布； 样本数据需求较少， 得到的信息较少，节省计算资源，准确率一般比生成式模型高； （SVM、感知机、KNN、决策树） 例子 判断狗是哈士奇还是金毛： 判别式只学习一种模型； 生成式模型学习多种模型，根据金毛学习一个模型，根据哈士奇学习一个模型，有多少类别生成多少模型； 生成式模型可以检测异常点； ...
生成式模型与判别式模型
weixin_46359306的博客
04-28 2661
生成式模型和判别式模型是机器学习中两种常见的模型类型。 生成式模型，又称概率模型，是指通过学习数据的分布来建立模型P(y|x)，然后利用该模型来生成新的数据。生成式模型的典型代表是朴素贝叶斯模型，该模型通过学习数据的分布来建立概率模型，然后利用该模型来生成新的数据。 判别式模型，又称非概率模型，是指通过学习输入和输出之间的映射关系来建立模型y=f(x)，然后利用该模型来预测新的输出。判别式模型的典型代表是支持向量机模型，该模型通过学习输入和输出之间的映射关系来建立分类模型，然后利用该模型来预测新的分类结果
【大模型理论篇】生成式模型算法原理深入浅出（涉及Stable Diffusion、生成对抗网络、高斯混合模型、隐马尔可夫模型、朴素贝叶斯等算法原理分析及生成式模型解释）
源泉的小广场
08-15 6188
生成式ai、生成式模型、混合高斯模型、gmm、隐马尔可夫模型、hmm、朴素贝叶斯、naive bayesian、stable diffusion、稳定扩散模型、lda、主题模型、生成对抗模型、gan
生成模型和判别模型有哪些，统计，具体
Jiashilin
09-10 9631
生成模型，就是生成(数据的分布)的模型； 判别模型，就是判别(数据输出量)的模型。 生成式模型： 朴素贝叶斯！ 混合高斯模型！ 隐马尔科夫模型(HMM)！ 贝叶斯网络 Sigmoid Belief Networks 马尔科夫随机场(Markov Random Fields) 深度信念网络(DBN) 判别式模型： K近邻(KNN) 线性回归(Linear Regress...
MATLAB实现遗传算法优化0-1背包模型代码
文件名称列表中的"chapter 1 遗传算法求解0-1背包问题"表明本资源可能是某个更大教程或文献的第一章节，专用于介绍遗传算法求解0-1背包问题的方法。这可能包括对问题的详细描述、遗传算法的基本原理、MATLAB编程技巧...
评论
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
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