人工智能
文章平均质量分 95
霁月风
这个作者很懒,什么都没留下…
展开
-
WGAN解读
简介作者通过分析传统无监督学习问题的方案——学习概率密度,发现了KL散度的缺陷,在实际应用中KL距离没有定义(或简单地无限)。又分析了传统的解决办法——向输入添加噪声的弊端,于是提出了自己的解决思路:思考如何更好地表示模型分布和实际分布的接近程度,等价地说重新定义两个分布之间的距离。紧接着,作者就顺势引入了WGAN的,并提及WGAN的主要贡献有哪些。相关工作主要是说明算法证明的部分知识背景,比如积分概率度量(IPMs),最大平均差异(MMD)等。原创 2023-08-06 19:38:53 · 2530 阅读 · 1 评论 -
DCGAN解读
标题:unsupervised representation learning,即无监督表示学习,deep表示网络较深,convolutional,即使用卷积神经网络,generative即生成式模型,adversarial即对抗网络,nets是networks的缩写。摘要:近年,在有监督的CV领域,cnn成就斐然。在无监督领域,我们尝试选用DCGAN处理无监督的任务,实验证明G和D能学习到多层次的物体表示,在多个数据集上表现良好。原创 2023-08-04 21:51:43 · 2344 阅读 · 1 评论 -
CGAN论文解读
标题:Conditional代表有条件的,Generative表示生成式模型, Adversarial即对抗网络, Nets是networks的缩写直译为条件生成对抗网络。摘要:围绕GAN,提出自己的想法:通过对输入数据y的简单修改,在生成器和判别器上给予一定的限制条件。然后,作者通过MNIST的手写数据集的生成模型,试图论证此模型可以用于多模态领域,并且可以生成不属于训练标签的描述性标签。原创 2023-07-31 11:46:08 · 192 阅读 · 1 评论 -
生成对抗网络原理简介
标题(Generative Adversarial Nets)言简意赅:generative即生成式模型,adversarial即对抗网络,nets是networks的缩写,直译为生成对抗网络。摘要围绕framework,提到了生成器(Generator)和判别器(Discriminator),说明了其研究价值。作者提到了一般的生成式模型有两种构建方法利用最大化似然函数计算出数据的分布,但是对于高维的概率计算十分困难所以,作者提出了使用一个模型去近似一个分布,这样可以避免计算上的麻烦。原创 2023-07-30 20:51:49 · 165 阅读 · 1 评论 -
卷积神经网络入门笔记
神经网络由大量神经元组成,神经元需要非线性的激活函数激活,从而进行非线性变换输出。两个神经元之间的连接代表加权值,称为权重(weight)。不同的激活函数和权重导致不同的输出。基本是w*x + b的形式,其中假如你要去看电影,决定你是否去有两个因素x1、x2。这样,决策模型为g(z) = g(w1x1 + w2x2 + b),g表示激活函数,b表示bias,即动态调整的偏置项。原创 2023-04-29 20:06:50 · 303 阅读 · 1 评论