李宏毅2020ML——P78 Feature Extraction

最新推荐文章于 2024-08-26 21:58:54 发布
最新推荐文章于 2024-08-26 21:58:54 发布
阅读量204 收藏 2
点赞数
分类专栏： 李宏毅2020ML 文章标签： 人工智能 深度学习 机器学习 GAN 特征提取
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44177594/article/details/115241568
版权
本文探讨了info-GAN在图像特征表示中的应用，解释了为何c能代表图片的主要特征。同时介绍了VAE-GAN，它是结合了变分自编码器和生成对抗网络的模型。接着提到了BiGAN，它是在自动编码器基础上的改进。进一步讨论TripleGAN，这是在BigAN上的进化。最后，涉及了域对抗训练在语言特征提取中的作用，特别是在保持个人特征一致性方面的贡献。文章通过实验展示了这些模型的效果。
摘要由CSDN通过智能技术生成

feature extraction

info-GAN

希望我们的vector每一维度都有对应的特征
在这里插入图片描述
什么是info-GAN
在这里插入图片描述
为什么c代表图片的某些主要特征
在这里插入图片描述
实验结果
在这里插入图片描述

VAE-GAN

VAE和GAN的组合
在这里插入图片描述
算法流程
在这里插入图片描述

BiGAN

也是在autoencoder上面进行修改
在这里插入图片描述
算法流程：
在这里插入图片描述
最佳编码器和解码器：
在这里插入图片描述
“Autoencoder” ——Autoencoder
在这里插入图片描述

Triple GAN

在BIGAN的上的进化
在这里插入图片描述

Domain-adversarial training

domain-adversarial training
在这里插入图片描述
三个组要：
在这里插入图片描述
在语言特征提取：
在这里插入图片描述
我们希望得到同一个人生成的emdedding是接近的，不同的人会有差异
在这里插入图片描述
训练方式：
在这里插入图片描述
展示结果：
在这里插入图片描述

小葵向前冲
关注
专栏目录
【李宏毅2020 ML/DL】P80 Generative Adversarial Network | Feature Extraction
记录学习痕迹的公众号：Piper蛋窝
08-08 788
关于 GAN 的特征提取技术，主要是 Auto Encoder 与 GAN 的结合。介绍了 InfoGAN、VAE-GAN、BiGAN、半监督学习的 Triple GAN 。
【必收藏】台大李宏毅老师课程 | 资源汇总、笔记总结与索引
记录学习痕迹的公众号：Piper蛋窝
08-18 1万+
深度学习入场券？李宏毅教师的课程足矣！
Datawhale X 李宏毅苹果书 AI夏令营——Task01笔记
最新发布
m0_73164476的博客
08-26 457
最近几年来，机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）这两个词几乎无处不在。说白了，机器学习就是让机器学会“动脑筋”，自动找到解决问题的办法。这样一来，机器就能接管一些以前只有人类才能完成的复杂任务。想象一下，当你对手机说话时，手机能够立刻把你的语音变成文字，这其实就是机器在“学习”后，找到了一个能够把声音信号转换成文字的“秘方”。再比如，当你上传一张图片，系统能识别出里面的人物、物体，甚至还能说出这是在什么场景下拍的。
机器学习、深度学习、计算机视觉、自然语言处理及应用案例
This is bill的专属博客
01-24 2408
转自：http://blog.csdn.net/lql07161、机器学习/深度学习1.1 对抗生成网络GAN【2017.04.21】对抗生成网络GAN变种大集合 【链接】资源 | 生成对抗网络及其变体的论文汇总 【链接】生成对抗网络(GAN)图片编辑 【链接】CycleGAN失败案例 【链接】【2017.04.22】用条件生成对抗网络玩转中文书法 【链接】《Gang of GANs: Gener
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享
Ritter Liu的专栏
09-25 3816
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新……） author@jason_ql http://blog.csdn.net/lql0716 1、机器学习/深度学习 1.1 对抗生成网络GAN 【2017.04.21】 对抗生成网络GAN变种大集合 【链接】资源 | 生成对抗网络及其变体的论文汇总 【链接】生成对抗网络(GAN)
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新……）
kebu12345678的博客
12-03 3345
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新……） http://blog.csdn.net/lql0716/article/details/70479493 author@jason_ql  http://blog.csdn.net/lql0716 1、机器学习/深度学习 1.1 对抗生成网络GAN 【2017.
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新......）
热门推荐
aibotlab的博客
04-23 3万+
机器学习、深度学习、计算机视觉、自然语言处理及应用案例——干货分享（持续更新……）author@jason_ql http://blog.csdn.net/lql07161、机器学习/深度学习1.1 对抗生成网络GAN【2017.04.21】 对抗生成网络GAN变种大集合 【链接】 资源 | 生成对抗网络及其变体的论文汇总 【链接】 生成对抗网络(GAN)图片编辑
机器学习(Machine Learning)&深度学习(Deep Learning)资料
weixin_33980459的博客
09-07 3501
机器学习(Machine Learning)&深度学习(Deep Learning)资料(Chapter 1)   《Brief History of Machine Learning》 介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Ne...
论文目录3：大模型时代（2023+）
qq_40206371的博客
03-05 1542
早期做instruction tuning的workin-context learning都是没有finetune过程，这里相当于finetune了一下在in-context learning的时候，故意给一些错误的例子、其他领域的返利，看看大模型的效果——>这篇论文的结论是，in-context learning只起到“唤醒”的作用，LLM本身就具备了所需要的功能。这里给LLM范例的作用只是提示LLM要做这个任务了在更大的LLM中，in context learning 确实也起到了让模型学习的作用。
李宏毅2020机器学习作业2——Classification
01-21
开始之前声明：本文参考了李宏毅机器学习作业说明（需翻墙），基本上是将代码复现了一遍，说明中用的是google colab（由谷歌提供的免费的云平台），我用的是Jupyter Notebook 本文用到的资料在百度网盘自取点击下载...
视频学习笔记——李宏毅机器学习——P1，2
09-12
【机器学习介绍】 机器学习是计算机科学的一个分支，它的核心目标是使计算机系统具备自我学习的能力，从而在没有明确编程的情况下改善其性能。这源于人类的学习潜能，只不过在这里，我们试图通过算法和统计模型来...
李宏毅 2020 ML Homework 1: Linear Regression-数据集
03-25
在这个“李宏毅2020 ML Homework 1: Linear Regression-数据集”中，我们关注的是一个回归问题，特别是针对PM2.5（细颗粒物）浓度的预测。PM2.5是指大气中直径小于或等于2.5微米的颗粒物，对人体健康和环境有显著...
李宏毅 2020 ML Homework 2 - Classification-数据集
03-25
《李宏毅2020年机器学习作业2——分类数据集详解》 在这个数据集中，我们关注的是李宏毅教授在2020年开设的机器学习课程中的第二个作业，主题是“分类”。分类是机器学习领域的一个基础任务，其目标是根据输入特征...
李宏毅2020ML——P24-31可解释性ML
weixin_44177594的博客
03-17 529
Explainable machine learningintroduceLocal Explainable基本的思想：global Explainable方法1——activation maximization方法二利用一个可解释model去解释不可解释的modelLinear Model决策数 introduce 在分类问题中，我们输入一张猫的图片，machine会告诉我们这是”猫“，但是为什么？ 问题1：为什么machine会认为这个是猫呢？ 问题2：machine眼中的猫是什么样子的呢？ 或者是m
李宏毅2020ML——P17 CNN（Convolutional Neural network）
weixin_44177594的博客
03-12 493
Convolutional Neural network引入CNN V.S. DNNWhy can we discard some parametersreason1：Some patterns are much smaller than the whole imagereason2：The same patterns appear in different regions.reason3：Subsampling the pixels will not change the objectThe whole
李宏毅2020ML——P58 自动编码器
weixin_44177594的博客
03-23 491
自编码器introduceapplicationtext retrievalbeforeauto-encoder——text retrievalSimilar Image SearchPre-training DNNfor CNNOther Auto-encoderDe-noising auto-encodergeneration introduce 与PCA对比 can deep 效果对比 二维可视化 application text retrieval before auto-encoder
李宏毅2020ML——P8-P9 Optimization for Learning（最优化方法）
weixin_44177594的博客
03-10 416
最优化方法SGDSGD with momentumAdagradRMSPropAdamNadamAdamW & SGDW with momentum总结 SGD 缺点：（正因为有这些缺点才让这么多大神发展出了后续的各种算法） 选择合适的learning rate比较困难 - 对所有的参数更新使用同样的learning rate。对于稀疏数据或者特征，有时我们可能想更新快一些对于不经常出现的特征，对于常出现的特征更新慢一些，这时候SGD就不太能满足要求了 SGD容易收敛到局部最优，并且在某些情况
李宏毅2020ML——P21-P22 RNN 循环神经网络
weixin_44177594的博客
03-16 324
Recurrent Neural Networkintroductionexample applicationSlot FillingRNN basic concept不同的变形Elman Network & Jorddan NetworkBidirectional RNNLSTMLearning TargetLoss FunctionTrainingproblemwhyHelp Techniquesmore applicationsentiment analysisKey term Extract
李宏毅2020ML——P15 为什么deep learning
weixin_44177594的博客
03-15 320
why deep?Shallow V.s. Deep简单对比ModularizationexampleSpeech传统做法结论举例End-to-end LearningComplex Task Shallow V.s. Deep 简单对比 传统对deep learning认知 既然大量的data加上参数足够多的model就可以实现这个效果，那为什么一定要用DNN呢？我们完全可以用一层的shallow neural network来做同样的事情，理论上只要这一层里neuron的数目足够多，有足够的参数，就可
李宏毅2020机器学习笔记attention
08-12
在李宏毅的2020机器学习笔记中，有一个关于注意力机制(Attention)的部分。这部分内容主要介绍了生成模型(Generation)、注意力(Attention)、生成的技巧(Tips for Generation)以及指针网络(Pointer Network)。在生成...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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