【CS231n】十三、生成模型（Generative Models）

最新推荐文章于 2021-06-25 14:42:24 发布
原创 最新推荐文章于 2021-06-25 14:42:24 发布 · 797 阅读 · 2 ·
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。

本文介绍了生成模型，包括PixelRNN、PixelCNN、变分自动编码器(VAE)和生成对抗网络(GAN)。重点讲解了VAE的密度函数、损失函数以及GAN的博弈训练过程，展示了生成模型在无监督学习中的应用。

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

一、概览
【CS231n】十三、生成模型（Generative <wbr>Models）

二、生成模型
定义：无监督学习的一个核心问题，给定具有特定密度分布的数据，想要生成同样密度分布的数据。

分类：
【CS231n】十三、生成模型（Generative <wbr>Models）

三、PixelRNN 和 PixelCNN
（1）首先定义一个likelihood函数，
【CS231n】十三、生成模型（Generative <wbr>Models）

（2）PixelRNN的方法：
从角落的一个像素开始向周围的像素推理，每一个像素的likelihood由周围的决定。
问题在于是串行生成，速度很慢。
【CS231n】十三、生成模型（Generative <wbr>Models）

（3）PixelCNN的方法：
通过已生成的区域像素，通过卷积的方式产生新的像素。
最低0.47元/天 解锁文章

200万优质内容无限畅学
CS231n 2022PPT笔记- 生成模型Generative Modeling
iwill323的博客
08-24 1281
CS231n 笔记 2022PPT GAN VAE
【CS231n】十三、生成模型（Generative Models）_一只神秘的大金毛_新浪博客
Mys_GoldenRetriever的博客
11-16 295
一、概览 二、生成模型 定义：无监督学习的一个核心问题，给定具有特定密度分布的数据，想要生成同样密度分布的数据。 分类： 三、PixelRNN 和 PixelCNN （1）首先定义一个likelihood函数， （2）PixelRNN的方法： 从角落的一个像素开始向周围的像素推理，每一个像素的likelihood由周围的决定。 问题在于是串行生成，速度很慢。 （3）Pix...
cs231n lecture13 Generative Models
feitianlzk的博客
03-23 440
Generative Models PixelCNN/RNN VAE GAN PixelRNN/CNN 生成速度慢 pro Can explicitly compute likelihood p(x) Explicit likelihood of training data gives good evaluation metric Good samples con Sequ...
CS231n-2017 第13讲 生成模型
suredied的博客
11-06 767
一、监督学习与非监督学习、生成模型 监督学习 给定数据xxx，以及数据所对应的标签yyy，学习一个从xxx到yyy的映射。 应用举例：分类、回归、目标识别、语义分割、图像标注等。 非监督学习 分析数据的隐藏结构特征。 应用举例：聚类、降维、特征提取、数据分布估计等。 生成模型 给定训练数据，生成满足训练数据分布规律的新数据。这一问题和非监督学习中的数据分布估计问题...
Lecture 13: Generative Models
qq_36356761的博客
05-02 343
CS231n Lecture 13: Generative Models Unsupervised Learning 相比于从有标注的训练数据中学习f:x↦yf:x↦yf:x\mapsto y的有监督学习，无监督学习旨在学习无标注数据的隐含结构，包括聚类(K-means)、降维(PCA)、特征学习(Auto-encode)、密度估计等 Generative Models: Give...
CS231n学习笔记--13. Generative Models
Kuekua的专栏
11-04 707
1. Unsupervised LearningSupervised vs Unsupervised Learning:2. Generative Models概述：Generative Models的作用：Generative Models的分类：3. PixelRNN and PixelCNN基本原理：PixelRNN：PixelCNN：Training is faster than Pixel
cs231n_2017_lecture13.pdf
01-20
从以上内容可以看出，CS231n课程在第13讲中，重点介绍了深度学习中的生成模型，并且通过对比监督学习和无监督学习，展示了生成模型在图像处理和其他领域的强大应用潜力。生成模型由于其能够基于已有数据学习并生成新...
斯坦福CS231n课件
11-09
7. **Lecture 13_ Generative Models**：生成模型是深度学习的一个重要分支，可能讲解了生成对抗网络（GANs）和变分自编码器（VAEs）等模型，以及它们在图像生成和数据增强上的应用。 8. **Lecture 14_ ...
CS231n:(13) Generative Models
Wangpeiyi9979的博客
09-01 467
问答总结 文章目录一、无监督学习二、生成模型1、定义2、分类三、PixelRNN/CNN四、变分自编码器参考资料 一、无监督学习 提到生生成模型，首先还是要提无监督学习，无监督学习和监督学习最显著的特征就是数据有无标签。监督学习不必再提。无监督学习常有以下任务。(1) 聚类: K-means. (2) 降维：PCA. (3) 特征学习: AE。(4)密度估计。 二、生成模型 1、定义 生成式模...
[cv231n] Lecture 13 | Generative Models
gdtop的个人笔记
03-18 321
Lecture 13 | Generative Models Generative Models (Unsupervised Learning) PixelRNN and PixelCNN Variational Autoencoders (VAE) Generative Adversarial Networks (GAN) Supervised vs Unsupervised Learn...
Generative Models
04-10
Goodfellow - Generative Models 深度学习暑期学校2017
CS231N-13-Generative Models
Victor的草原
10-17 1269
Generative models PixelRNNCNN VAE Variational Autoencoders Autoencoders VAE 变分自动解码器 GAN 生成对抗网络2017.12.3 更新 VAE loss function ———————————————————————————————— 深度学习给机器学习带来的变革，不仅是supervised learning监督学习
generative models
weixin_30593443的博客
06-27 136
A generative modelGcan be seen as taking a random seedh(say, a sample from a multivariate Normal distribution) and converting it into an output stringG(h)that “looks” like a real datapoint....
cs231n_2018_lecture12_notes_无监督学习和生成模型
vahalla233的博客
03-13 501
一、无监督学习 先介绍熟悉的有监督学习supervised learning——已知：数据和标签；目标：学习得到一个函数使得能够将数据映射到标签。 有监督学习的例子：分类classification、回归regression、目标检测object detection、语义分割semantic segmentation、图像字幕image captioning等等。 介绍这章的主题无监督学...
PRML 4: Generative Models
weixin_30593261的博客
06-16 139
　　从概率论的角度出发，一个分类问题通常分为两个阶段：(I) inference stage 是指建立某种含参概率模型，通过一定方式得到后验概率分布 $p(C_k\text{ | }\vec{x})$；(II) decision stage 是根据后验概率分布，对标签未知的特征向量做出预测。在具体实现过程中又可分为两个学派：(I) 统计学派往往利用 MLE 或 MAP 等手段对模型参数进行点...
CS231n Lecture 13 | Unsupervised Learning and Generative Models
KunBB的博客
10-09 916
Lecture 13主要讲解了无监督模型和生成模型，其中详细介绍了生成模型中的pixelRNN、pixelCNN、VAE、GAN等图像生成方法。 文章目录Unsupervised LearningGenerative Models Unsupervised Learning 监督式学习我们都很熟悉了，我们有数据x和标签y，我们在的目的是学习到一个函数可以将数据x映射到标签y，标签可以有很多形式。...
CNN笔记（CS231N）——生成模型（Generative Models）
shanwenkang的博客
02-22 4008
总览 之前我们讲的网络模型都是监督学习，这一讲我们要讲的是无监督学习。以下是本讲的总览 无监督学习与监督学习最大的不同就是我们只有数据，没有任何多余的标注，我们要做的就是学习数据中隐藏的某些结构。而生成模型就属于无监督学习的一种 生成模型 生成模型的目标是给定训练数据，希望能获得与训练数据相同的新数据样本。我们的目标是找到训练数据的分布函数 生成模型在很多场景有非常好的应用 ...
生成模式Generative-models
xiaoyaolangwj的博客
06-25 1047
OpenAI的文章介绍Generative models：搬运部分重点。 What I cannot create, I do not understand. 我们期望计算机能理解和分析我们这个世界，Generative-models生成模型是实现这一目标的最有前途的方法之一。 诀窍在于，我们用作生成模型的神经网络的许多参数远小于我们训练它们的数据量，因此模型被迫发现并有效地内化数据的本质以生成数据。 生成模式的三种方法：流行示例： 生成式对抗网络（GAN）：将训练过程视为两个独立网络之间
【2017CS231n】第十三讲：生成模型（PixelRNN/PixelCNN，变分自编码器，生成对抗网络）
热门推荐
poulang5786的博客
06-22 2万+
一.有监督学习与无监督学习    有监督学习我们都很熟悉了，我们有数据x和标签y，我们在有监督学习中学习到一个函数可以将数据x映射到标签y，标签可以有很多形式。典型的有监督学习有：分类问题中输入一张图片，输出图片的分类；目标检测中输入一张图片，输出目标物体的边框；语义分割中，给每个像素都打上标签。下面说一下无监督学习。1.1无监督学习    无监督学习在我们只有一些没有标签的训练数据的情况下，学习...
PyTorch生成模型库：pytorch-generative的功能介绍与使用
- Generative models：广义上指所有用于生成数据的模型类型。 - Variational autoencoders：一种生成模型，用于学习给定数据的潜在表示，并能够生成新的数据样本。 - VQ-VAE：矢量量化变分自编码器，一种变分自编码...
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