什么是生成模型和GAN?一文体验计算机视觉的魔力(附链接)

概况

  • 生成模型和GAN是计算机视觉应用领域中最新进展的核心内容。
  • 本文将向您介绍GAN的世界及其不同组件。
  • 现实世界中有一些令人兴奋的GAN实例在等待-让我们深入研究!

引言

你能挑出以下图片集中的奇特之处吗:

那这个图片集呢?

这些图像中的所有物体和动物都是由称为生成对抗网络(GAN)的计算机视觉模型生成的! 这是目前最流行的深度学习分支之一。 这当然有助于激发我们隐藏的创造力!

GAN绝对是我在深度学习领域最喜欢的主题之一。 我喜欢我们可以将这些模型应用到不同领域-从生成新面孔到创作绘画(以及填充旧绘画中的缺失部分)。

本文旨在向您介绍生成网络和GAN。 我们还将研究这些生成网络的各种应用,并深入研究使它们工作的组件。

目录

1. 什么是生成模型?

2.生成模型的应用程序

3.生成模型的类型

a. 显示密度

b. 隐式密度

4. 了解显示密度模型

5.生成对抗网络(GANs)的介绍

6. GAN的分步训练过程

1. 什么是生成模型?

首先,让我们先了解生成模型的概念,然后再广泛地研究其应用。 这将帮助您可视化不同的用例,并在稍后讨论GAN时将它们联系起来。

在机器学习或深度学习中,我们主要处理两种主要类型的问题:监督学习和无监督学习。

在监督学习问题中,我们有自变量(x)和目标标签(y)。 目的是学习用于映射x和y的映射函数:

监督学习的示例包括分类,回归,目标检测,图像分割等。

另一方面,无监督学习问题只有自变量(x),没有目标标签。 这里的目的是从数据中学习一些潜在的模式。 无监督学习的示例包括聚类,降维等。

那么生成模型适合什么地方?

当我们获取训练数据后,生成模型会从训练集的数据分布中生成新样本。假设我们有一个训练集,其分布为。我们想要生成样本,以使生成的样本的分布类似于。让我进一步简化一下。

使用生成模型,我们首先学习训练集的分布,然后使用带有一些变量的学习分布生成一些新的观察值或数据点。

现在,有多种方法可以学习模型分布和数据真实分布之间的映射,我们将在后面的部分中讨论。在那之前,让我向你展示一些很棒的生成应用程序,它们可能会激发你对生成模型的兴趣。

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章