生成网络
首先我们探讨老生常谈的有监督学习和无监督学习。
有监督学习,简单来说就是样本有真实类别的标签。
无监督学习主要是找寻数据自身内部的关系。
PCA降维,可能数据在y维度变化不是很明显,但是在x维度变化特别明显,在x维度投影就能有效区分数据。
这里注意这里是特征生成的x’和原本的数据样本x求L2损失,越小越好。并没有标签在内。
密度估计:男生女生身高体重样本混合在一起只关心男生的身高体重分布。
假设这个样本是男生的情况下,看到这个样本的概率。
什么意思呢?我们已经有了训练样本,它有一个分布,我们希望我们的产生样本和训练样本越接近越好。
将概率写成条件概率而已,时序生成。
采用CNN,只有灰色部分参与运算,256个卷积核,记录了黑色部分属于某个的概率,选最大的。卷积核利用了前面灰色位置的信息。
自身数据产生特征和自身比,相当于抽取最有效信息。
然后微调编码器参数,奥里给!
编码器相当于把图像映射到某维空间,解码器相当于将某维空间数值映射到原图片。
简单理解,之前是编码了一个值,现在是编码了一个分布,从分布中选一个点.
能保证seita m最小。
(code)中心点偏移的左右都学过满月,半月,点才可能既满足满月又满足半月。