Публикации по теме 'generative-model'


Генеративное вероятностное моделирование
В этой Части 1 на эту тему давайте обсудим теорию генеративного вероятностного моделирования и, в более широком смысле, наивный байесовский классификатор. В Части 2 этой темы мы обсудим некоторые примеры реализации. Классификация как процесс в основном состоит из двух этапов — Этап вывода и Этап принятия решения . Фаза вывода включает в себя получение обучающих данных, состоящих из входных векторов и соответствующих выходных классов, и построение модели, которая определяет..
Действительно ли картинка стоит тысячи слов?
Как новый подход Alibaba к сопоставлению текста и изображений повышает точность поиска изображений Эта статья является частью серии Academic Alibaba и взята из статьи Jiuxiang Gu под названием Посмотри, представь и сопоставь: улучшение текстуально-визуального кросс-модального поиска с помощью генеративных моделей . , Jianfei Cai , Shafiq Joty, Li Niu и Gang Wang, приняты CVPR 2018. Полностью статью можно прочитать здесь . Извлечение релевантных изображений из запроса..
Вариационный вывод в контексте вариационных автоэнкодеров (VAE)
В этом блоге мы расскажем о вариационном выводе, а после этого перейдем к вариационным автоэнкодерам (VAE). Этот блог содержит все детали VAE, то есть от базового определения до сравнения с автокодировщиками, математического вывода функции потерь, используемой в VAE, и реализации VAE с использованием Pytorch. Позже мы сравним VAE с другими генеративными моделями, такими как Generative Adversarial Networks (GAN). Вступление Во многих интересных моделях со скрытыми переменными..
Создание персонажа аниме с помощью вариационного автокодировщика
Обычно люди пытаются сравнить вариационный автокодировщик (VAE) с генеративной состязательной сетью (GAN) в смысле генерации изображений. Общее понимание состоит в том, что VAE более доступен для обучения и с явным предположением о распределении (гауссовым) как для скрытого представления, так и для наблюдений, в то время как GAN лучше фиксирует распределение наблюдений и не имеет никаких предположений о распределениях наблюдений. Как следствие, все считают, что только GAN может..
Опыт, полученный при внедрении вариационных автоэнкодеров
Недавно я экспериментировал с вариационными автоэнкодерами, впервые представленными Kingma et al., 2013 . В частности, я попытался обучить вариационный автоэнкодер на наборе данных MNIST. Вы можете посмотреть код на мой профиль GitHub . Во время своих экспериментов я обнаружил несколько вещей, которые мне нужно было лучше понять и знать при фактическом внедрении и обучении вариационного автоэнкодера. В этом посте я хочу сосредоточиться на вещах, которые, возможно, не так очевидны при..
GAN за пределами красивых картинок: реальная ценность генерации данных (теория и бизнес-приложения)
«Генеративные модели против дискриминационных моделей» 28 февраля 2019 года в Buildo компания Data Science Milan организовала встречу по теме генеративных моделей и тому, как их использовать помимо изображений. «GAN за пределами красивых картинок: реальная ценность генерации данных», Александр Гончар, консультант по искусственному интеллекту Начнем с вопроса, что такое генеративные модели ? Проще говоря, они представляют собой класс неконтролируемых моделей машинного обучения,..
Вариационный вывод с нормализацией потоков в 100 строках кода - прямое расхождение KL
Генеративное моделирование с нормализующими потоками - NICE: нелинейная оценка независимых компонентов В своих предыдущих постах я ввел нормализующие потоки и обучил один подгонять ненормированную целевую плотность с использованием обратного расхождения KL . В этом посте мы обучим генеративную модель данных из набора данных изображений в градациях серого (в следующих постах мы сосредоточимся на многоканальных изображениях) с использованием прямого расхождения KL. В моем предыдущем..