全文共4413字,预计学习时长13分钟
来源:Pexels
概述
· 生成模型和生成对抗网络(GANs)是计算机视觉应用最新进展的核心。本文将介绍GANs及其不同的组件。有一些激动人心的GANs用例,快来探索!
引言
你能辨别出下列图片中的奇怪之处吗?
这幅图片呢?
图中所有的实物和动物都由GANs这种计算机视觉模型生成!它是目前深度学习中最流行的一类,可以激发人类潜藏的创造力。
GANs无疑是笔者在深度学习中最喜欢的话题之一,这些模型创造出的各种程序我都喜欢,比如生成新的人脸图像或创造图画,还有修复旧画中遗失的部分!
这篇文章将介绍生成网络和GANs,了解其各种程序,并进一步探索工作机制(组件)。
目录
1. 什么是生成模型?
2. 生成模型的应用程序
3. 生成模型的种类
1.显性密度
2.隐性密度
4. 了解显性密度模型
5. GANs概况
6. 训练GANs步骤详解
1. 什么是生成模型?
在放眼看这些应用程序之前先来理解生成模型的理念,可以帮助可视化不同的用例,而且随后在探讨GANs时也会有所涉及。
运用机器学习或深度学习时通常会遇到两大问题——监督学习和无监督学习。
在监督学习中,会遇到自变量x和目标标签y。目标是学习映射x、y的映射函数。
监督学习的例子有分类、回归、目标检测、图像分割等。
无监督学习的问题是只有自变量x但无目标标签。目标是通过数据学习一些潜在的模式。无监督学习的例子有聚类、降维等。
所以,生成模型适合用于何处?
有了训练数据,生成模型会从训练集分布中生成新的样本。假如有一个拥有分布 pdata(x)的训练集,想生成一些样本,使样本pmodel(x)的分布与pdata(x)相似。简单点说:
使用生成模型,先学习训练集的分布,再利用所学的分布结合一些变量生成新的观察和数据点。
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,在那之前,先给大家看几个超酷的生成式应用,也许会让你对生成模型产生兴趣。
2. 生成模型的应用
为什么首先需要生成模型?甚至笔者一开始就有这个疑问,但看的应用越多,就越相信生成模型的能力。
且让我解释一些用例回答这个问题。
生成数据
你曾经试过从零开始建立深度学习模型吗?大多数人最常遇到的一个难题就是缺少训练数据,即便数据再多。我肯定你不介意更多的数据&#x