Публикации по теме 'generative-model'
Десятки раз искусственный интеллект поразил мир
Наилучшее использование генеративных моделей и принцип их работы.
Генеративные состязательные сети (GAN) - одни из самых увлекательных способов «научить» компьютеры выполнять человеческие задачи.
Мы всегда слышали, что конкуренция может повысить производительность, но теперь GAN переносят «уроки конкуренции» в промышленные масштабы.
Генеративные состязательные сети определяются объектами ИИ (нейронными сетями), которые конкурируют друг с другом, чтобы лучше выполнять свои задачи...
Генеративные состязательные сети в 100 строках кода
В своем предыдущем посте я реализовал статью Автокодирование вариационного байеса для генерации изображений человеческих лиц. В этом посте мы продолжим изучать генеративные модели и сосредоточимся на генеративных состязательных сетях .
Мы реализуем знаменитую статью о Generative Adversarial Networks примерно в 100 строках кода.
Генеративные состязательные сети Мы предлагаем новую структуру для оценки генеративных моделей через состязательный процесс, в..
Вариационные автокодеры
Вариационные автокодеры представляют собой байесовскую перспективу для основных автокодировщиков (обычная перспектива кодировщика-декодера), тем самым обрабатывая входные данные, скрытые представления и восстановленные выходные данные как вероятностные случайные величины в рамках ориентированной графической модели.
Они воспринимают кодировщик как байесовскую сеть вывода, отображающую наблюдаемые входные данные (заданные выборки) для аппроксимации апостериорного распределения в скрытом..
Генеративные состязательные сети
Целью этого блога является базовое руководство по генеративным состязательным сетям (GAN), предложенное Яном Гудфеллоу из OpenAI. В первой части дается краткое введение в основы GAN и практическое приложение, называемое Deep конституционально-генеративно-состязательная Nerworks (DCGAN). Вторая часть представляет собой реализацию DCGAN на Python в базе данных с маленькими буквами: notMNIST. Исходный код этого руководства можно найти на Github .
Часть 1. Предпосылки и методологии..
Почему сети GAN так интересны
Машинное обучение как технология, образно говоря, «пост-переломный момент», по-прежнему демонстрирует экспоненциальный рост темпов инноваций. И даже в области, которая претерпевает радикальные изменения в течение нескольких месяцев, генеративные сети являются одной из самых быстроразвивающихся областей.
Ян Лекун (Yann Lecun) сказал, что генеративные сети - «возможно, самая захватывающая разработка в области машинного обучения за последние 20 лет». Он сказал это с точки зрения..
Топология скрытого пространства: что может пойти не так с представлением в глубоко скрытой переменной…
По сценарию Петра Темпчика
Прежде, чем мы начнем
Это сообщение в блоге требует некоторых знаний о байесовской теории вероятностей, машинном обучении и топологии. Я буду давать ссылки на статьи Википедии или другие онлайн-источники всякий раз, когда использую терминологию вне области машинного обучения. Я предполагаю, что читатель имеет некоторые базовые знания о машинном обучении, нейронных сетях и генеративных моделях, таких как GAN или VAE .
Это первая из серии сообщений в блоге..
Дискретные скрытые пространства в глубинных генеративных моделях
Многие недавние достижения в области глубинных генеративных моделей стали результатом простой, но действенной концепции. Дискретизация встроенного скрытого пространства привела к значительному увеличению производительности в различных генеративных моделях. Наиболее известными моделями являются VQ-VAE-2 и дискретный VAE, используемый OpenAI для токенизации изображений в их алгоритме Dall-E a , который генерирует впечатляющие изображения из текстовых описаний.
Что такое скрытое..
