Xiang神经网络总结（十七）

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。