百面机器学习总结笔记（第十三章 生成对抗网络）

最新推荐文章于 2023-03-04 18:56:32 发布
最新推荐文章于 2023-03-04 18:56:32 发布
阅读量374 收藏
点赞数
分类专栏： 算法岗面试笔试准备
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.csdn.net/Avery123123/article/details/104625393
版权

百面机器学习总结笔记（第十三章 生成对抗网络）

百面机器学习总结笔记

第十三章 生成对抗网络

在这里插入图片描述

初识GANS的秘密

场景描述
在这里插入图片描述
知识点
MiniMax游戏 值函数（Value Function）JS距离（Jensen-Shannon Divergence）， 概率生成模型 优化饱和

问题1 简述GAN的基本思想和训练过程
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

GANs值函数在这里插入图片描述

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

GANs如何避开大量概率推断计算

在这里插入图片描述
分析与解答
在这里插入图片描述
问题4 GANs在实际训练中会遇到什么问题？

在这里插入图片描述

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

WGAN：抓住低维的幽灵

场景描述
在这里插入图片描述
在这里插入图片描述
知识点
坍缩模式（Collapse Mode） Wasserstein距离 1-Lipschitz函数

问题1 GANs的陷阱：原GANs中存在的哪些问题制约模型训练效果？
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

问题2 破解武器：WGAN针对前面问题做了哪些改进？什么是Wasserstein距离？

分析与解答
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

问题3 WGAN之道：怎样具体应用Wasserstein距离实现WGAN算法？

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

DCGAN：当GANs遇上卷积

场景描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

问题 在生成器和判别器中应该怎样设计深层卷积结构？
在这里插入图片描述

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

ALI ：包揽推断任务

场景描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

知识点
概率推断 隐空间 Encoder/Decoder
问题 生成网络和推断网络的融合
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

IRGAN：生成离散样本

场景描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
知识点
离散样本 信息检索 负样本 策略梯度

问题 使用GAN产生负样本

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

SeqGAN：生成文本序列

场景描述
在这里插入图片描述
知识点
循环神经网络 LSTM/GRU 语言模型 奖励/长期奖励 策略梯度 动作值函数
问题1 如何构建生成器，生成文字组成的序列来表示句子？

分析与解答
在这里插入图片描述
在这里插入图片描述

问题2 训练序列生成器的优化目标通常是什么？GANs框架下有何不同？

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
问题3 有了生成器的优化目标，怎样求解它对生成器参数的梯度？

分析与解答
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Avery123123
关注
专栏目录
【深度学习】生成对抗网络Generative Adversarial Nets
gongdiwudu的专栏
07-29 6619
本文是GAN网络的原始论文，发表于2014年，我们知道，对抗网络是深度学习中，CNN基础上的一大进步； 它最大的好处是，让网络摆脱训练成“死模型”到固定场所处去应用，而是对于变化的场景，网络有一个自己的策略； 这是非常值得研究的课题。 本文记录了原始论文，作为长期参考系保存。
第13章：生成式对抗网络
weixin_41529389的博客
09-19 159
1 初识GANs的秘密 问题1：简述GANs的基本思想和训练过程 问题2：GANs的值函数 问题3：GANs如何避开大量概率推断计算？ 问题4：GANs在实际训练中会遇到什么问题？ ...
生成对抗网络（GANs）简述：（一）
麦田里的守望者
10-15 2538
生成对抗网络（GANs）简述：（一） 生成对抗网络（GANs）是人工智能领域最重要的研究途径之一，由于其卓越的数据生成能力受到研究学者的广泛关注。自生成对抗网络提出以来，各界学者关于GANs的改进主要包括三个方面：生成对抗网络的网络模型的改进 、生成对抗网络损失函数的改进以及基于生成对抗网络的实际应用。在本文中首先着重介绍关于常见生成对抗网络的网络模型改进的相关文章及模型汇总。 生成对抗网络的网络...
从生成对抗网络到更自动化的人工智能
人工智能学家
09-24 1534
来源：中国计算机协会作者：黄鹤   王长虎概要：“What I cannot create, I do not understand.” 这是著名物理学家费曼的一句名言。把这句话放在人工智能领域，可以理解为：要想让机器真正理解某样东西，就得让它学会如何创造那样东西。“What I cannot create, I do not understand.” 这是著名物理学家费曼的一句名言。把这句话放在
《百面机器学习》读书笔记（十三）-生成式对抗网络
scu-liu的博客
02-12 420
全部笔记的汇总贴：《百面机器学习》-读书笔记汇总 一、初始GANs的秘密 ★☆☆☆☆ 简述GANs的基本思想和训练过程。 GANs的主要框架包括生成器（Generator）和判别器（Discriminator）两个部分。其中，生成器用于合成“假”样本，判别器用于判断输入的样本是真实的还是合成的。具体来说，生成器从先验分布中采得随机信号，经过神经网络的变换，得到模拟样本；判别器既接收来自生成器的模拟样本，也接收来自实际数据集的真实样本，但我们并不告诉判别器样本来源，需要它自己判断。生成器和判别器是一对“
论文要点记录与理解：《GAN综述：算法、理论及应用》
anuory的博客
03-10 377
论文来自https://arxiv.org/pdf/2001.06937.pdf 《GAN综述：算法、理论及应用》
机器学习笔记——生成式对抗网络GAN
weixin_44929101的博客
06-17 759
前言 今天下午我们一起学习有趣的生成式对抗网络GAN。 GAN介绍 生成对抗网络（Generative Adversarial Networks，GAN）最早由 Ian Goodfellow 在 2014 年提出，是目前深度学习领域最具潜力的研究成果之一。它的核心思想是：同时训练两个相互协作、同时又相互竞争的深度神经网络（一个称为生成器 Generator，另一个称为判别器 Discriminator）来处理无监督学习的相关问题。 通常，我们会用下面这个例子来说明 GAN 的原理：将警察视为判别器，制造假币
李宏毅机器学习笔记第14周_生成式对抗网络(GAN)
peaunt1的博客
07-16 939
GAN
【机器学习面试】百面机器学习笔记和问题总结+扩展面试题
最新发布
STAR GAME
03-04 3348
第1章 特征工程 1、为什么需要对数值类型的特征做归一化？ （1）消除量纲，将所有特征统一到一个大致相同的区间范围，使不同指标之间具由可比性； （2）可以加快梯度下降收敛的速度，归一化后让等高线的分布更加均匀，类似于一个圆，减少求解过程中参数寻优的震荡，更加笔直的找到最优解。 常用的归一化方式有两种： （1）线性函数归一化（min-max scaling）： xnom=X−XminXmax−Xminx_{nom} = \frac{X-X_{min}}{X_{max}-X_{min}}xnom​=Xmax​
生成对抗网络GAN详细推导
ch18328071580的博客
07-21 2991
生成式对抗网络模型(GAN)是基于深度学习的一种强大的生成模型，可以应用于计算机视觉、自然语言处理、半监督学习等重要领域。生成式对抗网络最最直接的应用是数据的生成，而数据质量的好坏则是评判GAN成功与否的关键。本文介绍了GAN最初被提出时的基本思想，模型和公式推导,以及训练。
[网络安全自学篇] 二十三.基于机器学习的恶意请求识别及安全领域中的机器学习
热门推荐
杨秀璋的专栏
11-01 1万+
这是作者的系列网络安全自学教程，主要是关于网安工具和实践操作的在线笔记，特分享出来与博友共勉，希望您们喜欢，一起进步。前文分享了Web渗透的第一步工作，涉及网站信息、域名信息、端口信息、敏感信息及指纹信息收集。这篇文章换个口味，将分享机器学习在安全领域的应用，并复现一个基于机器学习（逻辑回归）的恶意请求识别。
学习图像压缩和生成对抗网络在传统编解码器中的应用
最近的研究表明，生成对抗网络有能力克服这一限制，并作为多模态损失，特别是对于纹理。再加上学习的图像压缩，这两种技术可以用来很大的效果时，放松常用的紧张措施的失真。然而，基于卷积神经网络的算法具有较大的...
机器学习笔记 - 机器学习/深度学习实战案例合集
学以致用 知行合一
06-05 1716
案例1、使用opencv的DNN模块调用caffe的GoogLeNet图像分类模型 案例2、使用Opencv的DNN模块调用Tensorflow的mobilenet对象检测模型 案例3、基于tensorflow2.0的手写数字识别，并导出pb模型供OpenCV的C++版本的DNN模块调用 案例4、基于OpenCV图像处理和手写数字识别进行数独求解 案例5、自定义数据集 + 标准前馈神经网络分类进行训练 案例6、自定义数据集 + 卷积神经网络分类进行训练 案例7、使用Opencv的DNN模块调用Caffe的人
GAN网络的一些基本知识（杂记）
小C的博客
10-09 1万+
【时间】2018.10.08 【题目】GAN网络的一些基本知识（杂记） 【说明】本文的主要内容来自https://blog.csdn.net/xg123321123/article/details/78034859，对原博文进行了删减和修改，主要是其简化版本，想要了解详情请阅读原文，如若侵权，请联系本人删除   【相关知识】 1、关于生成对抗网络的第一篇论文是Generative Adv...
算法面试必备-----数据分析常见面试题
Avery123123的博客
08-06 7400
算法面试必备-----数据分析常见面试题算法面试必备-----数据分析常见面试题统计学问题问题：贝叶斯公式复述并解释应用场景问题：朴素贝叶斯的理解概率问题问题：扑克牌54张，分成2份，求这2份都有2张A的概率数据库问题问题：left join,right join,inner join,full join之间的区别？问题：having和where的区别？问题：mysql中设置row number问题：如何写SQL求出中位数平均数和众数（除了用count之外的方法）机器学习问题问题：如何避免决策树过拟合？问题
算法面试必备-----数据挖掘常见面试题
Avery123123的博客
08-06 4427
算法面试必备-----数据挖掘常见面试题算法面试必备-----数据挖掘常见面试题1. 异常值是指什么?请列举1种识别连续型变量异常值的方法?2. 什么是数据标准化，为什么要进行数据标准化？3. 如何处理缺失值数据？4. 如何进行探索性数据分析(EDA)？5. 给定一个数据集，这个数据集有缺失值，且这些缺失值分布在离中值有 1 个标准偏差的范围内。百分之多少的数据不会受到影响？为什么？6. 对于不平衡数据集，有什么应对方案？7. 什么是 K-fold 交叉验证？8. 简述准确率(accuracy)、召回率(R
算法面试必备-----数据仓库常见面试题
Avery123123的博客
08-10 3188
算法面试必备-----数据仓库常见面试题算法面试必备-----数据仓库常见面试题问题：简述数据仓库中的表的基本类型，以及为了保证引用完整性该以什么样的顺序对它们进行加载问题：事实表和维度表的概念及类型事实表的概念事实的类型维度表维度分类问题：星型模型和雪花模型区别问题：拉链表使用场景和实现方式？问题：拉链表性能优化问题：缓慢变化维的设计？ 算法面试必备-----数据仓库常见面试题 问题：简述数据仓库中的表的基本类型，以及为了保证引用完整性该以什么样的顺序对它们进行加载 答：数据仓库中的表的基本类型有维度表、
算法面试必备-----推荐算法
Avery123123的博客
07-20 2737
算法面试必备-----推荐算法算法面试必备-----推荐算法推荐算法概述1、基于流行度的推荐算法2、基于内容的推荐算法3、基于关联规则的推荐算法4、基于协同过滤的推荐算法4.1、基于用户的推荐4.2、基于物品的推荐协同过滤算法总结5、基于模型的推荐算法6、混合算法推荐算法详解关联规则：基础概念关联规则：Apriori算法算法过程算法的不足关联规则：FP-growth算法算法概述算法流程协同过滤（CF）算法概述基于用户的协同过滤算法（User-Based CF）基本步骤一、寻找用户间的相似度二、推荐物品三、
航天故障分析新进展：机器学习与生成对抗网络的应用
“这篇论文深入探讨了机器学习，特别是生成对抗网络（GAN）在航天故障分析中的应用。作者指出，由于航天环境的苛刻性以及样本的稀有性，对航天故障进行有效分析和预测的研究至关重要。生成对抗网络作为机器学习领域...
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
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