李宏毅机器学习入门笔记——第六节

最新推荐文章于 2025-06-04 16:46:24 发布
最新推荐文章于 2025-06-04 16:46:24 发布
阅读量374 收藏 3
点赞数 4
分类专栏： 机器学习李宏毅 文章标签： 机器学习 笔记 人工智能
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。
本文链接：https://blog.youkuaiyun.com/weixin_45496725/article/details/133645432
版权
本文介绍了GAN的基本概念，包括其包含的生成器和鉴别器，对抗训练过程，以及WGAN和ConditionalGAN的改进。着重讨论了GAN在无监督学习中的应用，如CycleGAN，及其在生成图像时的挑战和优化方法。

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

对抗生成式网络（GAN）

输入一个问题输出不同的答案出来
GAN里面有生成器和鉴别器
生成器

鉴别器
在这里插入图片描述
不断对抗生成，进行两者的网络

算法步骤

在这里插入图片描述
这里输出的结果可以是分类的，也可以是回归的。
在这里插入图片描述
两者训练过程，是固定生成器，训练鉴别器。又或是固定鉴别器，训练生成器。
在这里插入图片描述

GAN的理论知识

在这里插入图片描述
找到一组生成器参数将输出结果和真实数据结果分布足够接近。
在这里插入图片描述
将生成器生成的数据集和真实数据集一同进入到鉴别器进行训练，将真是结果输出较高，将生成器结果输出值设较低，进行训练。
如同上面的函数V计算机最大的值，等同于损失函数计算最小值。

最低0.47元/天 解锁文章
李宏毅2020机器学习课程笔记（一）- 分类与回归
⚡
04-25 1万+
包含李宏毅机器学习视频P1-P16的课程梗概
李宏毅2020机器学习课程笔记（三）- CNN、半监督学习、RNN
⚡
08-13 5355
包含李宏毅机器学习视频P17-P23的课程梗概
李宏毅机器学习入门笔记——第四节
weixin_45496725的博客
02-28 838
第四节知识点
李宏毅学习笔记——2024春《GENERATIVE AI》篇（已完结）
a131529的博客
11-22 6826
李宏毅学习笔记——2024春《GENERATIVE AI》篇
李宏毅机器学习笔记3——CNN（卷积神经网络）和RNN（循环神经网络）
m0_63776870的博客
10-21 2899
卷积本质上是加权求和，信号处理过程中是时间上的加权求和，图像中是空间上的加权求和。
【DL】3 Transformer入门——李宏毅机器学习课程笔记
YoungSeng's Blog
03-13 699
Transformer1. 为什么要使用Self-attention？2. Self-Attention2.1 基本思想2.2 平行化(矩阵)计算2.3 Multi-head Self-attention2.4 Positional Encoding3. Transformer结构4. Attention可视化5. 应用场景小结 1. 为什么要使用Self-attention？ Transformer的中文意思是’变形金刚’，其一个很经典的应用就是BERT，Transformer实际上是Seq2seq mo
Datawhale X 李宏毅苹果书 AI夏令营机器学习（入门班）——笔记（第五期）
2301_80270213的博客
08-26 1705
前四期的夏令营，我们大多是通过赛事来实践机器学习/深度学习/大模型 ，解决特定场景的问题，在本期，我们将参考李宏毅教授的相关课程以及Datawhale开源项目孵化的新书，一起抓住暑假的尾巴共学的理论 ，进一步地研究和探讨的奥秘。
【学习笔记】台湾大学李宏毅深度学习简介课程
许虹蕾的博客
01-25 697
机器学习入门课程
深度学习李宏毅笔记
2301_80134557的博客
10-10 1054
从最原始的梯度下降进化到上式的版本：增加了动量m，步伐大小为动变为，再通过来实现学习率调度。
李宏毅机器学习笔记p21：CNN
weixin_51413726的博客
10-25 335
文章目录前言一、CNN与图像处理CNN架构convolutionmaxpoolingflatten总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、CNN与图像处理 CNN常用于影像处理。 实际上在影像处理上，我们希望一层层layer看到的东西是越来越深入的。 在影像处理上，CNN比一般的training neural netw
OpenGAN：基于开放数据生成的开放集识别
LJ1147517021的博客
05-26 2324
这次学习的OpenGAN主要学习一个思路，跳出传统GAN对于判断真假的识别到判断是已知种类还是未知种类。重点内容不在于代码而是思路，会简要给出一个设计的代码。
机器学习——聚类算法
Xyz_Overlord的博客
06-03 547
根据样本之间的相似性，将样本划分到不同的类别中的一种无监督学习算法。细节：根据样本之间的相似性，将样本划分到不同的类别中；不同的相似度计算方法，会得到不同的聚类结果，常用的相似度计算方法有欧式距离法。聚类算法的目的是在没有先验知识的情况下，自动发现数据集中的内在结构和模式。计算样本和样本之间的相似性，一般使用欧式距离。
机器学习14-迁移学习
最新发布
2301_81230251的博客
06-04 325
迁移学习是机器学习中的一个重要领域，它旨在解决当目标任务的训练数据有限时，如何利用与目标任务相关但不完全相同的源任务数据来提高学习性能的问题。在现实世界中，获取大量高质量的标注数据往往成本高昂且耗时，而迁移学习能够有效地利用已有的知识，减少对目标任务数据的依赖，从而提高模型的泛化能力和学习效率。
Matlab实现LSTM-SVM回归预测，作者：机器学习之心
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-04 805
Matlab实现LSTM-SVM回归预测，作者：机器学习之心
生成对抗网络（GAN）基础原理深度解析：从直观理解到形式化表达
2501_90186640的博客
06-03 899
本文详细解析生成对抗网络（GAN）的核心原理，从通俗类比入手，结合印假钞与警察博弈的案例阐述生成器与判别器的对抗机制；通过模型结构示意图，解析噪声采样、样本生成及判别流程；基于公式推导目标函数的数学本质，剖析判别器与生成器的优化逻辑；最后对比GAN目标函数与交叉熵损失的关联差异。本文结合公式推导与概念对比，助力读者建立GAN基础理论体系。
机器学习与深度学习10-支持向量机02
beijieweiyu的博客
06-04 398
多类别分类问题是指需要将数据分成多个不同类别或标签的问题，而不仅仅是两个类别（二分类问题），支持向量机（SVM）通常是用于二分类问题的，但可以通过不同的策略来处理多类别分类问题。比如上图中，左边是SVM的决策边界，右边是逻辑回归的决策边界。SVM的决策边界受支持向量的影响，这些支持向量是距离决策边界最近的数据点。支持向量机的可扩展性受到多个因素的影响，包括数据集的大小、特征维度、核函数的复杂性以及计算硬件的性能。因此，在实际应用中，需要综合考虑问题的复杂性和可用资源来选择合适的方法以加速SVM的训练过程。
【机器学习及深度学习】机器学习模型的误差：偏差、方差及噪声
YoseZang的博客
06-03 868
介绍了机器学习模型误差分析的三个核心指标：偏差、方差和噪声。偏差衡量模型对训练数据的拟合能力，方差反映模型对不同训练数据的敏感性，噪声则代表数据本身的随机扰动。文章详细阐述了这三个指标的定义、数学表达及其产生原因，并提供了相应的解决方法。高偏差通常可通过增加模型复杂度改善，高方差则需要简化模型或使用正则化技术，而噪声则需要通过数据处理或集成学习来缓解。这些分析为机器学习模型的优化提供了理论依据和实践指导。
机器学习监督学习sklearn实战三：八种算法对印第安人糖尿病预测数据进行分类和比较
qq_55433305的博客
06-04 288
自动寻找随机森林模型在Pima Indians糖尿病数据集上的最优超参数组合。通过随机采样参数空间，高效地找到性能较优的参数组合。
机器学习之深入理解机器学习常见算法：原理、公式与应用
载_酒i
06-04 607
本文系统介绍了机器学习的三大类算法及其核心原理。监督学习部分涵盖线性回归、逻辑回归、SVM、KNN、决策树和随机森林等算法，详细解析了各自的目标函数和优化方法。无监督学习重点介绍K均值聚类和PCA降维算法的工作原理。深度学习部分阐述了神经网络的基本结构，以及CNN和RNN在图像和序列处理中的特殊设计。文章最后总结了不同算法类型的适用场景，强调应根据数据特征和任务需求选择合适的模型。全文提供了严谨的数学公式表达，为理解机器学习算法奠定了理论基础。
深度解读李宏毅机器学习笔记要点
从给定的信息来看，这份文档文件的标题为“李宏毅机器学习笔记”，这表明文档的主要内容是关于机器学习方面的知识，且可能与李宏毅教授有关。...这些内容对于学习机器学习的理论基础和实践操作都是非常有用的资源。
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

打赏作者

pengshi12138

加油加油

¥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