2021-04-29学习笔记

今天出去玩了

IBM Model1

找到一篇好文(4条消息) NLP从入门到放弃_IBM Model1_cpyy103的博客-CSDN博客，附带了例子和程序，明天实现一下程序，深入理解一下

如果人工智能迎来下一个寒冬，你认为会是卡在什么问题上

一个有趣的思路：(29 封私信 / 82 条消息) 如果人工智能迎来下一个寒冬，你认为会是卡在什么问题上？ - 知乎 (zhihu.com)

提到的观点中我能理解到的：

• 图像分类过程，cv一直走不出单模态，但是我们人类区别一个物体，甚至是小时候认识一个苹果，都是从气味、触觉、视觉多个模态去感知的，那么也就是说，实现真正的认知，是不是要跳出单模态的囹圄呢
• 还是图像分类过程，我们注意到，目前的分类还是比较死板，但对于桌子和椅子来说，“桌子”“椅子”这两种标签并不重要，重要的是它的实际作用，比如桌子我们人拿它来坐，它对我们来说就是椅子，那机器可否习得这个变通的过程呢
• 可解释性的问题，比如GPT-2，作文本生成很厉害不假，但你怎么控制它生成你想要的文本呢

GAN

一个生成器，一个判别器，生成器的目标是生成让判别器混淆的，分不出来的样本数据，判别器的目标是尽可能区分不同种类的样本，目标函数如下：

D是判别器，G是生成器，判别器越好，logD(x)越大，D(G(z))越小，函数值越大，取让函数值最大的判别器D

生成器越好，就越容易让后一项越小，取让函数值最小的生成器G

形象的示意图如下：

GAN最有代表性的一个模型：DCGAN【有时间看，可以作为GAN的必读论文】

GAN的问题：

• 不收敛
• 如何生成离散输出
• 如何评估
• GAN与RL的结合
• GAN与其他方法的结合

参考：

GAN学习指南：从原理入门到制作生成Demo - 知乎 (zhihu.com)【可以用这个里面代码理解一下GAN的算法过程，有待实现】

独家 | GAN之父NIPS 2016演讲现场直击：全方位解读生成对抗网络的原理及未来（附PPT） (sohu.com)

RL

强化学习（Reinforcement Learning）知识整理 - 知乎 (zhihu.com)【只看了刚开始的部分】

BZB推荐了一本强化学习的Book：https://bhpan.buaa.edu.cn:443/link/1C62FF5551F304BFA0B7F8A62A083B7B