【深度之眼cs231n第七期】笔记（三十）

监督学习的数据需要标签，目标是学习一个函数把数据x映射成标签y。
监督学习的 例子有：分类、回归、目标检测、语义分割、生成图像描述等等。

无监督学习则不需要标签，它想要学习数据的隐藏信息。
无监督学习的例子有：聚类、降维、密度估计（从大量的数据中估计数据的分布）等等。

训练图像是服从某个概率分布的，生成模型（一个无监督的模型）想要学习这个分布，这样就能从这个分布中生成新的数据。
生成模型有两大类，一种显式定义分布并解决它，另一类只学习如何从分布中生成新的数据，不需要显式地定义分布。

为什么要学习生成模型？

• 生成艺术性图像、图像超分辨率、图片上色
• 学习有用的特征为后续任务（比如分类）服务
• 获取高维数据（比如物理、医学图像）间的联系
• 为现实世界建模（机器人和强化学习）

会讲3种生成模型：PixelRNN/CNN（显式密度估计，能直接解决的）、变分自编码（显式密度估计，不能直接解决的）、GAN（隐式密度估计）

PixelRNN/CNN

使用链式法则表达图像x的似然函数。在前面所有像素确定的情况下，预测下一个像素的值。

在前面所有像素确定的情况下，预测下一个像素的值，这很容易想到RNN。
但是PixelRNN（每次生成一个像素）在训练阶段和应用阶段都非常慢。

PixelCNN还是和PixelRNN一样，从图像的角落开始，每次生成一个像素。不过PixelCNN不使用前面的