![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
自动生成算法
文章平均质量分 94
自动生成算法
神经美学_茂森
科普点算法,美学,神经科学
展开
-
【可执行的代码】阶层式解码器——长序列生成的利器
阶层式解码器 #长序列生成 #潜在态 #梯度消失 #RNN #中间隐代码。原创 2024-08-17 18:42:40 · 301 阅读 · 0 评论 -
【通俗理解】重参数化技巧——VAE中的隐变量采样魔法
重参数化技巧 #VAE #隐变量采样 #梯度传递 #深度学习 #生成模型。原创 2024-08-15 17:06:16 · 598 阅读 · 0 评论 -
【通俗理解】自编码器——深度学习的数据压缩与重构
通过梯度下降等优化算法来最小化损失函数,从而训练出自编码器。是激活函数(比如ReLU或sigmoid)。是编码器的权重和偏置,是解码器的权重和偏置,原创 2024-08-13 13:03:09 · 768 阅读 · 0 评论 -
【通俗理解】自编码器缺陷——特征空间的不对称与稀疏性
特征空间多样性的度量可以用特征点之间的距离或相似度来描述。特征空间分布的度量可以用方差或熵等统计量来描述。是特征空间中的特征点,原创 2024-08-13 16:20:09 · 802 阅读 · 0 评论 -
【公式解析】Diffusion Model与VAE:生成模型的数学解析
Diffusion Model通过逐步添加噪声来模拟数据的生成过程。其核心思想在于,给定一个数据点x0,通过一系列步骤逐渐添加噪声,直至得到完全随机的数据点xT。xt1−βtxt−1βtϵt其中,xt是时刻t的数据点,βt是时刻t添加的噪声量,ϵt是时刻t添加的噪声,通常是一个高斯随机变量。原创 2024-07-25 13:09:36 · 544 阅读 · 0 评论 -
【通俗理解】变分自编码器(VAE)——深度学习中的生成模型
这段代码展示了自编码器的基本应用,即数据压缩和重构,通过可视化原始图像和重构图像,可以直观地看到自编码器的性能。可视化:将测试集中的图像输入自编码器,获取重构后的图像,并将原始图像和重构图像进行可视化对比。重构损失通常使用均方误差(MSE)或交叉熵损失,KL散度衡量潜在空间分布与先验分布的差异。:使用Keras构建自编码器模型,编码器部分有一个隐藏层,解码器部分也有一个隐藏层。:加载MNIST数据集,将图像数据归一化到0到1之间,并展平为784维的向量。VAE的损失函数包括两部分:重构损失和KL散度。原创 2024-08-13 21:07:05 · 1009 阅读 · 0 评论