生成模型笔记(六):生成模型
尽人事以听天,吾唯日日谨慎而已。
本笔记仅为自己学习记录所用,参考的其他作者的内容见文中链接。如有不便,可以私信删除。
第六部分 生成模型
从这部分开始,正式进入生成模型的总结。之前的内容也都是在看生成模型的过程中了解到的或是一些思考。
参考内容
https://jmtomczak.github.io/blog/1/1_introduction.html
https://zhuanlan.zhihu.com/p/273245785
4.1 为什么需要生成模型?
上一部分已经有所了解,在监督学习中,判别模型建模的是条件分布 P(Y∣X)P(Y | X)P(Y∣X) ,对于分类问题,模型直接学到的是不同类别之间的不同之处;而生成模型建模的是联合分布 P(X,Y)P(X, Y)P(X,Y) ,对于无监督学习来说,生成模型则是直接建模 P(X)P(X)P(X) ,对于分类问题,生成模型可以学到每个类别是什么。那么,相比之下判别模型有什么缺陷呢?在上一部分已经提到过一些,这里再来看一看。
判别模型的缺陷
如图所示,判别模型的第一个缺陷是如果对判别模型的输入加入噪声的话,会对结果产生很大的影响。这是因为判别模型建模 P(Y∣X)P(Y | X)P(Y∣X) 缺少了对图像的语义信息的理解。
另一个缺陷如图,就像之前我们举过的判别马和驴的例子,对于一个训练好的判别模型,只是学出了马和驴之间的差别,比如耳朵长短,让它真的去“画一张马或者驴”,判别模型是办不到的。对于一个训练好的生成模型,则是学出了马和驴是什么,它可以自己“画出一张马或者驴来”。那么对于离群的点来说,比如输入一张长耳朵兔子的图片,判别模型会认为这是驴,但是生成模型发现图片中的东西似乎像是驴,但是既不符合马的分布,也不符合驴的分布,所以结果不能确定。
为什么需要生成模型
从生成的角度来看,无论是监督学习建模 P(X,Y)P(X,Y)P(X,Y) 还是无监督学习建模 P(X)P(X)P(X) 都有重要的意义:
- it could be used to assess whether a given object has been observed in the past or not;
- it could help to properly weight the decision;
- it could be used to assess uncertainty about the environment;
- it could be used to actively learn by interacting with the environment (e.g., by asking for labeling objects with low p(x) );
- and, eventually, it could be used to generate new objects.
4.2 哪些地方需要生成模型?
一言以蔽之,应用场景很广泛。
4.3 生成模型分类
比较详细的分类如下,
之后我们主要着眼于其中的几种
生成模型笔记(六):生成模型相关推荐
- 系统学习Pytorch笔记六:模型的权值初始化与损失函数介绍
Pytorch官方英文文档:https://pytorch.org/docs/stable/torch.html? Pytorch中文文档:https://pytorch-cn.readthedocs ...
- 【NLP模型笔记】GloVe模型简介
GloVe模型 glove模型的参考资料链接如下: https://nlp.stanford.edu/projects/glove/ 论文链接(pdf)如下: https://nlp.stanford ...
- 2017CS231n笔记_S13生成模型
目录 S13.1Supervised vs Unsupervised Learning S13.2生成模型Generative Model S13.2.1Fully visible belief ne ...
- 05.序列模型 W1.循环序列模型(作业:手写RNN+恐龙名字生成)
文章目录 作业1:建立你的循环神经网络 1. RNN 前向传播 1.1 RNN 单元 1.2 RNN 前向传播 2. LSTM 网络 2.1 LSTM 单元 2.2 LSTM 前向传播 3. RNN ...
- 文本生成视频Make-A-Video,根据一句话就能一键生成视频 Meta新AI模型
Meta公司(原Facebook)在今年9月29日首次推出一款人工智能系统模型:Make-A-Video,可以从给定的文字提示生成短视频. Make-A-Video研究基于文本到图像生成技术的最新进展 ...
- 基于.Net Core Web MVC的图书查询系统——第四章,添加模型并使用EF Core生成基架自动生成控制器和视图
基于.Net Core Web MVC的图书查询系统 第一章,.Net Core Web MVC配置身份验证和注册登录功能并修改默认页面 第二章,.Net Core Web MVC配置邮件发送服务 第 ...
- 从DDPM到GLIDE:基于扩散模型的图像生成算法进展
前几天,OpenAI在Arxiv上挂出来了他们最新最强的文本-图像生成GLIDE [1],如头图所示,GLIDE能生成非常真实的结果.GLIDE并非基于对抗生成网络或是VQ-VAE类模型所设计,而是采 ...
- R语言DALEX包的model_profile函数对caret包生成的多个算法模型的连续变量进行分析、使用Acumulated Local Effects (ALE)方法解释某个连续特征和目标值关系
R语言使用DALEX包的model_profile函数对caret包生成的多个算法模型的连续变量进行分析.使用Acumulated Local Effects (ALE)方法解释某个连续特征和目标值y ...
- R语言使用DALEX包的model_profile函数对caret包生成的多个算法模型的离散变量进行分析、使用偏依赖图(Partial Dependence Plots)解释某个离散特征和目标y的关系
R语言使用DALEX包的model_profile函数对caret包生成的多个算法模型的离散变量进行分析.使用偏依赖图(Partial Dependence Plots)解释某个离散特征和目标值y的关 ...
- R语言使用DALEX包的model_performance函数对caret包生成的多个算法模型进行残差分布分析并使用箱图进行残差分布的可视化
R语言使用DALEX包的model_performance函数对caret包生成的多个算法模型进行残差分布分析并使用箱图进行残差分布的可视化 目录
最新文章
- 为了研究因果关系,原来科学家在这么多方向上都有尝试(附链接)
- 【转】SAP Cloud Platform平台下,ABAP人员的出路在哪里
- python实验总结心得体会_Python,Pyvisa操作Agilent 86140x系列OSA
- MySQL基本操作指令
- fastjson中@JSONType的使用-排除字段
- php 对mvc的认识,【PHP】MVC框架为何这么难! 4年后终于明白了,被ThinkPHP害得!...
- Java类与对象——几个课堂例子的总结及作业
- 【OpenCV 例程200篇】201. 图像的颜色空间转换
- html如何修改按钮样式,css怎么设置按钮样式?
- Nginx下载及安装详细步骤
- 深度解析《ETC行业领军企业成谷科技》
- 论文总结之任务型对话NLU
- 电视K歌软件哪个好?这10款最火,最好用的电视K歌软件,赶紧收藏
- virtualbox 鼠标无法从虚拟电脑移除该怎么处理
- 对多项式求积分和微分
- 对过去五年工作经历的总结
- cherry-pick和merge使用的场景
- Android开发中ListView多屏的全选、反选功能
- 【u-boot】u-boot源码分析笔记(06)| 启动过程中的gd分析
- 基于java的ftp客户端_基于Java的FTP客户端软件的设计
热门文章
- 高通4G全网通210系列-MSM8909 (ARM Cortex-A7架构)
- QT 关于使用QThread实现多线程(moveToThread)
- Python数据可视化之气泡图(图文并茂详细版!!!)
- LeetCode_Heap_剑指 Offer 40. 最小的k个数 【堆,泛型实现,自定义比较器】【C++/java】【简单】
- java毕业设计闲置物品交易系统mybatis+源码+调试部署+系统+数据库+lw
- Nginx配置域名转发及https访问
- java运行平台的3个版本,目前 Java 平台主要分为哪3个版本?
- Linux下查看硬盘是固态硬盘还是机械硬盘
- Python小姿势 - #
- 【最新】【获取ip】获取本地ip 获取本机ip地址