机器学习李宏毅学习笔记38

最新推荐文章于 2024-06-21 15:32:23 发布

log^3me

最新推荐文章于 2024-06-21 15:32:23 发布

阅读量292

点赞数

文章标签：学习笔记

本文链接：https://blog.csdn.net/weixin_46722934/article/details/131858913

版权

文章目录

前言
一、生成式学习
二、各个击破和一次到位的对比
- 1.各个击破（Autoregressive(AR) model）
- 2.一次到位（Non-autoregressive(NAR) model）
总结

前言

生成式学习两种策略：各个击破/一次到位
有结构的生成物比如语句、影像、声音等。

一、生成式学习

语句的生成单位：token，在中文中就是一个中文字，在英文中是word piece（比如unbreakable->un break able三个token），比如在gpt中，拆成word piece是可以穷举的，而如果是一个word无法穷举。
影像：像素
声音：16k取样频率，每秒有16000个取样点

二、各个击破和一次到位的对比

1.各个击破（Autoregressive(AR) model）

比如gpt，一次生成一个token，图像就一次生成一个像素，最后生成一整个图片。
这种方法每一个单位的生成都需要等前面一个单位生成出来，相比于一次到位速度较慢。各个击破的生成品质比一次到位的更好。
在这里插入图片描述

2.一次到位（Non-autoregressive(NAR) model）

只要有足够的平信运算能力，就可以很快生成出结果（多用于影像生成）。
在这里插入图片描述
可以固定输出长度，在这个长度内有没有出现结束标志，如果遇到结束标志就结束。也可以先生成一个数字，这个数字表示最终输出的长度。

各个击破第一个输出可以使老也可以是演，sample的结果可能是概率高的也可能是概率低的，第二个输出的就相比来说比较稳定。但如果是一次到位，输出的结果可能是“老员”，不是一个正确的答案。这也就是为什么各个击破的质量比较好。

对比：
在这里插入图片描述

将两者结合起来，先用各个击破生成中间产物，最后用一步到位把结果产生出来。这样可以将两者的优点结合起来。
也可以把一次到位改成多次到位，每次的一次到位决定一个大方向，这样就不会出现不知道选哪一个答案，而把两个答案综合起来的问题。(diffusion model)
在这里插入图片描述