深度学习之生成式模型

        机器学习模型分生成式模型(Generative Models)和判别式模型(Discriminative Models)。判别式模型就是给出一个判断,比如是哪个类别,是多少值。也就是说,判别式模型给出的是一个值。为什么需要生成式模型?因为有时候不想要一个值,我们想学习一个分布(Distribution),这个时候就需要生成式模型。总之,生成式模型就是学习到一个分布。

        如何表示一个分布?可以用概率密度函数来表示。所以当然可以设计一个模型去学习一个概率密度函数。有了概率密度函数之后,如何从概率密度函数中采样得到一个样本又是另一个难题。所以,为什么不直接学习一个模型,这个模型隐式地学习到一个分布,我们可以直接从这个模型中输出采样样本,且这些输出的样本就是从我们需要的分布中采样出来的呢?

        GAN就是按这样的思路来设计的模型。一个GAN模型就代表了一个分布。那么如何从分布中采样?需要告诉GAN在分布的哪个位置采样,这就是输入GAN的z。从一个简单的分布中采样得到z,把z输入GAN,GAN根据z的值有样学样的在自己的分布中采样得到输出。z是GAN去做采样的锚点,如果没有z,GAN就不知道在这个分布中要采哪个位置。生成z的分布可以随便取,最简单的就是取高斯分布。实际上,取其他任何分布都是可以的。

        所以,GAN是一种基于采样的生成式模型,它不会去学习这个分布的概率密度函数,它只要知道怎么采样就可以了。它有个输入z,告诉GAN采哪个样本。

        今天,基于采样的生成式模型非常流行。大概可以分成3种:

  1. Variational Autoencoder(VAE)
  2. GAN
  3. Flow Based Models

        第1种是自编码机的变体,叫做VAE,它用自编码机去做跟GAN类似的事情,隐式学习一个分布然后从这个分布中采样。它的理论推导过程比较有意思。但是效果不如GAN,因为它没有要求生成的图片要非常自然,做得最好的VAE也就是跟GAN差不多而已;

        第2种是GAN,它是优化2个分布的距离。由于GAN的效果比较好,投身研究GAN的人非常多,导致GAN的理论获得了长足的发展;过去,GAN的训练比较难。今天,已经有很多工作可以参考。比如,DCGAN告诉你怎么去设计一个网络可以出来好的效果,虽然是经验性的;WGAN告诉你GAN难训练的问题怎么解决。

        第3种是Flow Based Models,它的设计非常巧妙,惊人的是居然这样子也可以生成图片。它提出的时间跟GAN差不多,但是由于它需要输入跟输出的维度相同,计算量非常大,导致研究的人极少,目前也就OpenAI自己有在做。做得最好的Flow Based Models效果也可以媲美GAN。

        要做生成式模型,个人认为还是应该走GAN的技术路线。但是选择做什么,怎么做需要一次次地思考。毕竟,目前已经有几百篇GAN的论文。需要寻找到新的价值才能做。

  • 5
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值