无水先生
擅长数学,能熟练应用泛函分析、统计学、随机过程、逼近论、微分几何、非欧几何(双曲、共形)等数学理论,有数学建模能力。从事图像处理二十年以上,从事人工智能行业10年以上;在船舶、通信、铁路、教育等行业开发软件产品。
展开
-
【深度 Q 学习-01】 Q学习概念和python实现
在强化学习 (RL) 中,Q 学习是一种基础算法,它通过学习策略来最大化累积奖励,从而帮助智能体导航其环境。它通过更新操作值函数来实现这一点,该函数根据收到的奖励和未来的估计来估计在给定状态下采取特定操作的预期效用。原创 2024-05-29 11:00:15 · 2400 阅读 · 0 评论 -
只需 50 行代码的生成对抗网络 (GAN) (PyTorch)
关于Gan网络,能有什么简洁的实施案例吗?这里给出仅仅50行代码可以实现的GAN模块。其简明扼要的代码演示,对于需要深度揭示GAN原理的读者有很大脾益的。原创 2024-04-22 22:38:48 · 1760 阅读 · 0 评论 -
从马尔可夫奖励过程到马尔可夫决策到强化学习【02/2】
随着 Open AI 于 2023 年 11 月 6 日发布GPT 代理,我们所有人都对它带来的支持和灵活性着迷。想象一下,有一个个性化的数字助手始终在您身边,根据您的喜好完成日常平凡任务或艰巨任务。但为这些定制代理提供动力的是强化学习,本文将简要介绍强化学习的基础。原创 2024-01-02 08:22:03 · 4024 阅读 · 0 评论 -
【AI基本模型】简化生成对抗网络 (GAN)
生成对抗网络 (GAN) 是一种机器学习算法,可以生成与现实世界数据几乎无法区分的合成数据。它们的工作原理是让两个神经网络在类似游戏的竞争中相互对抗,每个网络都试图通过智取另一个网络来提高其性能。原创 2024-04-13 13:14:39 · 2046 阅读 · 0 评论 -
强化学习:第一部分,简介和主要概念
R强化学习是机器学习中的一个特殊领域,与监督或无监督学习中使用的经典方法有很大不同。最终目标包括开发一种所谓的代理,该代理将在环境中执行最佳操作。从一开始,智能体通常表现得很差,但随着时间的推移,它通过与环境的交互来调整其策略,从试错法中调整其策略。原创 2024-04-10 17:35:44 · 1164 阅读 · 0 评论 -
RL — 强化学习算法概述
我们在本系列中研究了许多强化学习 (RL) 算法,例如,用于 MoJoCo 任务的策略梯度方法、用于 Atari 游戏的 DQN 和用于机器人控制的基于模型的 RL。虽然许多算法都是在特定领域引入的,但这种联系只能是遗留的。在本文中,我们将概述这些算法,并讨论它们在选择使用方法时的一般权衡。原创 2024-04-03 15:56:35 · 1155 阅读 · 0 评论 -
RL — 强化学习的若干技巧
深度学习 (DL) 很难训练,强化学习 (RL) 要糟糕得多。在早期开发中,请遵循与 DL 相同的策略:保持简单!消除任何妨碍您的花里胡哨,并将不确定性降至最低。具体到 RL,对于新的模型和算法,选择简单的玩具实验进行早期开发。首先简化问题,以便我们可以轻松快速地运行实验。耐心地进行超参数调整。RL 对超参数非常敏感(比 DL 差)。尝试不同的随机种子。目标低。始终从有效的东西开始工作。原创 2024-04-03 15:08:39 · 1160 阅读 · 0 评论 -
【强化学习概念01】什么是 Q-Learning:了解 Q-Learning 的最佳指南
强化训练如同训狗。当狗或孩子行为不端时,你会怎么做?你责骂他们以确保他们不会重复或学习不良行为。另一方面,如果他们做了好事,你就会奖励他们,灌输良好的行为。不管你相信与否,这种正强化或负强化系统也可用于训练机器。它被称为强化学习,它可以帮助我们提出独特的解决方案。 Q 学习是一种无模型的 强化学习!在本文中,我们将讨论什么是 Q-learning 以及如何实施它。原创 2024-03-30 00:23:02 · 1224 阅读 · 0 评论 -
CycleGAN 是如何工作的?
CycleGAN即循环对抗网络,是图像翻译成图像的模型;是Pix2Pix模型的扩展,区别在于,Pix2Pix模型需要输入图像和目标图像成对给出训练,CycleGAN则不需要,例如:从 SAR 生成 RGB 图像、从 RGB 生成多光谱图像、从卫星图像生成地图路线等,并且在训练中需要反向逆训练,因此称为循环Gan。原创 2024-01-01 11:46:04 · 4145 阅读 · 0 评论 -
【深度学习】生成对抗网络Generative Adversarial Nets
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。原创 2023-07-29 15:47:39 · 6631 阅读 · 0 评论 -
【深度学习】生成对抗网络理解和实现
本篇说明GAN框架是个啥。并且以最基础的数据集为例,用代码说明Gan网络的原理;总的老说,所谓神经网络,宏观上看,就是万能函数,在这种函数下,任何可用数学表述的属性,都可以映射成另一种可表示属性。原创 2023-07-09 07:18:39 · 6104 阅读 · 0 评论 -
生成对抗网络(带有分步 Python 代码!)
生成对抗网络(GAN)是一种深度学习架构,由两个在零和博弈论框架中相互竞争的神经网络组成。GAN 的目标是生成类似于某些已知数据分布的新的合成数据。它们是一类强大而迷人的神经网络,用于无监督学习。GAN 的概念由 Ian Goodfellow 于 2014 年提出。原创 2023-12-27 10:48:02 · 4131 阅读 · 1 评论 -
第 6 部分 — 对 LLM 的对抗性攻击。数学和战略分析
针对大型语言模型(LLM)的对抗性攻击代表了人工智能安全中一个复杂的关注领域,需要数学严谨性和战略远见的复杂结合。这些攻击旨在操纵 LLM 产生意想不到的输出,范围从微妙的输入更改到利用系统漏洞。原创 2023-12-07 14:37:03 · 3464 阅读 · 0 评论 -
探索图像生成中的生成对抗网络 (GAN) 世界
生成对抗网络(GAN)的出现标志着人工智能领域的一个重要里程碑,特别是在图像生成领域。GAN 由 Ian Goodfellow 和他的同事于 2014 年提出,代表了机器学习中的一种新颖方法,展示了生成高度逼真和多样化图像的能力。本文探讨了 GAN 在图像生成领域的机制、应用、挑战和未来影响。原创 2023-12-05 00:39:16 · 3255 阅读 · 0 评论 -
强化学习——简单解释
强化学习——简单解释原创 2023-12-04 12:23:43 · 3095 阅读 · 0 评论 -
揭秘强化学习:Python 实践指南
强化学习 (RL) 是机器学习和人工智能 (AI) 的一个子领域,专注于开发能够通过与环境交互进行学习的智能代理。与传统的监督和无监督学习不同,强化学习主要关注动态、顺序环境中的决策。它在人工智能中具有重要意义,特别是在自主代理必须做出一系列决策以实现长期目标的应用中。原创 2023-12-04 11:52:18 · 3531 阅读 · 0 评论 -
10 分钟解释 StyleGAN
G在过去的几年里,生成对抗网络一直是生成内容的首选机器学习技术。看似神奇地将随机输入转换为高度详细的输出,它们已在生成图像、生成音乐甚至生成药物方面找到了应用。原创 2023-12-03 22:01:58 · 3226 阅读 · 0 评论 -
StyleGAN:彻底改变生成对抗网络的艺术
多年来,人工智能领域取得了显着的进步,其中最令人兴奋的领域之一是生成模型的发展。这些模型旨在生成与人类创作没有区别的内容,例如图像和文本。其中,StyleGAN(即风格生成对抗网络)因其创建高度逼真且视觉上令人惊叹的图像的能力而获得了巨大的关注和赞誉。在本文中,我们将探讨 StyleGAN 在人工智能和数字艺术领域的架构、工作原理、应用和影响。原创 2023-11-16 07:51:04 · 4536 阅读 · 0 评论 -
pyTorch Hub 系列#4:PGAN — GAN 模型
在本教程中,我们将研究一种这样的技术,即渐进式生长,它在弥合这一差距并使 GAN 能够以更高分辨率生成高质量样本方面发挥了关键作用,这对于各种实际应用至关重要。原创 2023-11-12 12:06:35 · 4980 阅读 · 1 评论 -
【Gan教程 】 什么是变分自动编码器VAE?
为什么深度学习研究人员和概率机器学习人员在讨论变分自动编码器时会感到困惑?什么是变分自动编码器?为什么围绕这个术语存在不合理的混淆?本文从两个角度理解变分自动编码器(VAE):深度学习和图形模型。原创 2023-10-24 15:18:23 · 4837 阅读 · 1 评论 -
通过尖端技术创造价值:释放生成式 AI 的力量
近年来,世界见证了人工智能(AI)的重大进步,生成式AI是最具革命性的技术之一。生成式人工智能已成为一种强大的方法,使机器能够创建新的原创内容,使其成为不同行业各种应用背后的驱动力。在本文中,我们将探讨生成式 AI 的基础知识、它的工作原理、它的模型类型、应用以及利用其潜力所需的基本知识和技能。此外,我们将深入研究最新的研究和业务用例,以了解公司如何利用这种尖端技术来创造价值。原创 2023-10-19 09:40:33 · 4175 阅读 · 0 评论 -
变分自动编码器 (VAE)02/2 PyTorch 教程
在自动编码器中,来自输入数据的信息被映射到固定的潜在表示中。当我们旨在训练模型以生成确定性预测时,这特别有用。相比之下,变分自动编码器(VAE)将输入数据转换为变分表示向量(顾名思义),其中该向量的元素表示有关输入数据分布的不同属性。VAE的这种概率特性使其成为一个生成模型。VAE中的潜在表示由最能定义输入数据的概率分布(μ,σ)组成。原创 2023-10-11 10:49:33 · 4778 阅读 · 0 评论 -
了解变分自动编码器 (VAE)
在过去的几年中,由于(并暗示)该领域取得了一些惊人的进步,基于深度学习的生成模型引起了越来越多的兴趣。依靠大量的数据、精心设计的网络架构和智能训练技术,深度生成模型表现出了令人难以置信的能力,可以生成各种高度逼真的内容,例如图像、文本和声音。在这些深度生成模型中,两个主要家族脱颖而出并值得特别关注:生成对抗网络(GAN)和变分自动编码器(VAE)。原创 2023-10-11 10:21:23 · 4350 阅读 · 0 评论 -
从头开始制作扩散模型(实现快速扩散模型的简单方法)
本文是关于自己从头开始构建扩散模型的教程。我总是喜欢让事情变得简单易行,所以在这里,我们避免了复杂的数学。这不是一个正常的扩散模型。相反,我称之为快速扩散模型。将仅使用卷积神经网络(CNN)来制作扩散模型。在本文中,我不会为您提供任何现有的模型/权重/脚本文件。原创 2023-09-15 12:18:26 · 4592 阅读 · 0 评论 -
使用拥抱脸的稳定扩散世界 — 使用文本提示创建 AI 生成图像的扩散器库
你可能已经看到人工智能生成的图像有所增加,这是因为潜在扩散模型的兴起。简单来说,稳定扩散是一种深度学习模型,它可以在给定文本提示的情况下生成图像。原创 2023-09-15 10:52:37 · 4341 阅读 · 0 评论 -
在TensorFlow中使用GAN生成图像
本文详细论述,如何在tensorflow下,在mnist数据集合上进行GAN实现。包括:框架建立、数据集读出、生成器、鉴别器、代价函数、优化等具体步骤的代码实现。原创 2023-09-13 21:41:54 · 4778 阅读 · 1 评论 -
关于时空数据的培训 GAN:实用指南(第 02/3 部分)
在本文中,我们将为每种不稳定性提供多种解决方案。这些解决方案在我们的实验中经验上运作良好,在广泛尝试了书中的每一个技巧来稳定GAN训练之后。我们按照其易于实施和各自影响的顺序编制列表,以就GAN培训的迭代增强功能提出建议。另外,请注意,此处讨论的所有解决方案都是任何形式的GAN培训的通用解决方案,并且也与时空用例直接相关。JUST时空GAN特有的问题和解决方案将在本系列的最后一部分进一步详细讨论。原创 2023-09-14 07:24:17 · 4855 阅读 · 0 评论 -
关于时空数据的培训 GAN:实用指南(第 01/3 部分)
GAN 是迄今为止最受欢迎的深度生成模型,主要是因为它们最近在图像生成任务上产生了令人难以置信的结果。然而,GAN并不容易训练,因为它们的基本设计引入了无数的不稳定性。如果你尝试过用MNIST以外的任何东西训练GAN,你很快就会意识到,所有关于训练他们的痛苦(以及试图解决这个问题的相关研究领域)的说法并没有把问题放大。原创 2023-09-14 07:12:27 · 4461 阅读 · 0 评论 -
什么是生成对抗网络 (GAN)?
GAN(Generative Adversarial Network)网络是一种深度学习模型,由两个神经网络——生成器和判别器组成。生成器负责生成虚假的数据,而判别器负责判断数据的真实性。它们之间通过对抗学习的方式相互影响和学习,最终生成器能够生成更加真实的数据,而判别器能够更准确地判断数据的真伪。GAN网络被认为是生成式模型中最具有潜力的一种方法之一。原创 2023-09-13 13:47:25 · 4971 阅读 · 2 评论 -
【GAN入门】生成 AI的概念
GAN是生成对抗网络(Generative Adversarial Network)的缩写,是一种无监督学习算法,由Goodfellow等人于2014年提出。GAN由一个生成器网络和一个判别器网络组成,通过二者之间的对抗来训练生成器网络生成与真实样本相似的假样本。生成器和判别器互相对抗,不断改善自己的性能。GAN广泛应用于图像、语音、自然语言等领域中的生成任务。原创 2023-09-13 11:41:44 · 4667 阅读 · 0 评论 -
揭秘:Wasserstein GAN与梯度惩罚(WGAN-GP)
什么是梯度惩罚?为什么它比渐变裁剪更好?如何实施梯度惩罚?在提起GAN对抗网络中,就不能避免Wasserstein距离的概念,本篇为系列读物,目的是揭示围绕Wasserstein-GAN建模的一些重要概念进行探讨。原创 2023-09-13 13:06:00 · 6041 阅读 · 0 评论 -
用PyTorch代码生成对抗网络(GAN)
2014年,蒙特利尔大学的伊恩·古德费罗(Ian Goodfellow)和他的同事发表了一篇令人惊叹的论文,向世界介绍了GANs或生成对抗网络。通过计算图和博弈论的创新组合,他们表明,如果有足够的建模能力,相互竞争的两个模型将能够通过普通的旧反向传播进行共同训练。原创 2023-07-12 12:32:39 · 6556 阅读 · 0 评论 -
生成式 AI 简介:使用 Python 从头开始学习 GenAI
大家好!,欢迎来到“使用 Python 从头开始学习生成 AI”系列。本系列涵盖了数据科学家和软件工程师可以了解的有关生成式 AI 的所有内容,并在这个奇妙的 GenAI 领域开始他们的旅程。我将告诉你从Python到机器学习,然后是深度学习,然后是自然语言处理和生成模型,如生成对抗网络(GAN),变分自动编码器(VAEs)和大型语言模型(ChatGPT,Google Bard,Claude 2或更多)。原创 2023-08-06 16:31:12 · 5523 阅读 · 0 评论 -
强化学习:用Python训练一个简单的机器人
强化学习(RL)是一个令人兴奋的研究领域,它使机器能够通过与环境的交互来学习。在这篇博客中,我们将深入到RL的世界,并探索如何使用Python训练一个简单的机器人。在本文结束时,您将对 RL 概念有基本的了解,并能够实现自己的 RL 代理。原创 2023-08-16 16:01:15 · 6460 阅读 · 0 评论 -
强化学习是个啥概念?
强化学习涉及代理、环境和奖励机制。代理在环境中采取行动以实现目标,奖励机制向代理提供有关其表现如何的反馈。代理的目标是学习策略,这是一种选择操作的策略,可随着时间的推移最大化其预期的累积奖励。原创 2023-08-16 18:02:23 · 4932 阅读 · 0 评论 -
了解生成对抗网络 (GAN)
Yann LeCun将其描述为“过去10年来机器学习中最有趣的想法”。当然,来自深度学习领域如此杰出的研究人员的赞美总是对我们谈论的主题的一个很好的广告!事实上,生成对抗网络(简称GAN)自2014年由Ian J. Goodfellow和共同作者在《生成对抗网络》一文中引入以来取得了巨大的成功。原创 2023-08-20 07:39:14 · 5481 阅读 · 0 评论 -
【RL】Wasserstein距离-GAN背后的直觉
在本文中,我们将阅读有关Wasserstein GANs的信息。具体来说,我们将关注以下内容:i)什么是瓦瑟斯坦距离?,ii)为什么要使用它?iii) 我们如何使用它来训练 GAN?原创 2023-08-05 19:52:25 · 6382 阅读 · 0 评论 -
图卷积网络(GCN)和池化
GCN(Graph Convolutional Network)是一种用于图形数据处理和机器学习的神经网络架构。GCN 可以在图形中捕获节点之间的关系,从而能够更好地处理图形数据。GCN 可以沿着图形上的边缘执行滤波器操作,将每个节点的特征向量进行卷积处理,从而改变节点的特征表示。GCN 的应用领域包括社交网络分析、推荐系统、化学和生物信息学等。原创 2023-08-03 16:28:22 · 5710 阅读 · 0 评论 -
RL — 强化学习算法概述
在本系列中,我们检查了许多强化学习(RL)算法,例如,MoJoCo任务的策略梯度方法,Atari游戏的DQN和机器人控制的基于模型的RL。虽然许多算法都是针对特定领域引入的,但这种联系只能是遗留的。在本文中,我们将概述这些算法,并讨论它们在选择使用什么方法时的一般权衡。原创 2023-08-03 16:19:22 · 5250 阅读 · 0 评论 -
RL — 强化学习技巧
深度学习(DL)很难训练,强化学习(RL)要差得多。在早期开发中,遵循与 DL 相同的策略:保持简单!消除任何妨碍您的花里胡哨的东西,并将不确定性降至最低原创 2023-08-03 15:05:12 · 5001 阅读 · 0 评论