扩散模型的启发和因果推论之数据增强-CSDN博客

本文链接：https://blog.csdn.net/weixin_32759777/article/details/128140751

🍿★,°:.☆欢迎您/$:.°★ 🍿

正文

从因果中推导一种  数据增强的方法

比如 使用相机采样的时候 

随着相机的移动 

 采样的时间越短采样的

 数据越多  那么说名 

数据量越大 

这样虽然能达到更多数据量的目的但是

如果输入是T1 输出是T2

那么模型学习到的信息是确定性的

故而需要大量的数据 也未必能覆盖到所有的情况 

模型的自我推导能力  薄弱

而如果能够 增加采样时间那么说 中间的不确定性增加  

但是有无法得到  大量的数据 故而要使用 根据结果  推导出 原因

当T2确定的时候 可以推导出m个T1  能够到达 T2

都可以作为输入 就如同扩撒模型一样 之所以扩散模型 

可以成功原因是由于  物质运动  物质波  波动 符合 高斯分布 所以

扩散模型的方法  相当于 一个 全息的数据库 但是 该方法太任意 

确定性不足  故而要将 确定性增加就是使用 T2 中的元素 

排列组合随机打乱 增加和删减 该中有的元素

这样 就如同 一个帽子  在一个固定的 空间移动 不会 变成 苹果 

这样 训练训练出来的模型 确定性高

简单的实现代码

随机的生成 0-256 之间的 1024 个数字

使用index 的方法打乱这些数

使用首位赋值一部分代码可以带来重复的利用或者改变

从而达到随机且不是简单的本来元素上的打乱

# 正常模型
# 变换随机分布
# T+1 =T2
import numpy as np
data=np.random.randint(0,256,1024)

index=np.random.permutation(data.size)
# 打乱
data=data[index]
# 做一些元素重复
data[-10:]=data[:10]
data=data.reshape(32,32)


if __name__ == '__main__':
    pass