gan 生成神经网络学习

 

 

 

 

 

依赖于贝叶斯学派的方法

使用博弈论的思维

限制在一个受限的程度中进行

将模型分解为条件分布的方式

 

趋势

 

详细的模型结构

对于真实的数据的一种重构，通过隐含的方式进行压缩数据。

 

G通过噪声生成样本 之后交给判别器。不断的计算均衡，达到稳定状态，G产生的内容，D判别的程度降到最低少于二分之一。

宏观逻辑讲解结束

 

详细解释变分自编码器

原理：

应用

 

 

这里输入与输出大小是一样的，输出一样的东西所以叫做自编码

这里还有编码与解码的过程课程中没有讲解

 

 

概率模型刻画其中的一些元素，从而常见大规模分布数据

这里引入贝叶斯推断，引入大量的数据进行分布。

这里就是一个分布前验知识。近似一个喉炎分布就定位q 

 

 这里就是衡量散度与方差的一种评判方式

KL 分布差异的一种度量。

 

 encoder （推断网络）   deconder（生成网络）

中间部分纬度较小称为瓶颈。

需要将数据压缩到一个低纬度的空间进行进一步处理

 

大小的效果不同，人脸变化图。

这里调节编译链

可以使用在游戏中图形生成（还原）

 进入正题 

生成式对抗网络

【题外话】 作者和朋友喝顿酒有了想法夜里就造出来了，所以说各位工程师，不要以为灵感理科就不需要，第六感才是你最终的暖宝宝。

博弈论的实现

紫色表示分界概率

黑色点是真实数据集分布

绿色是训练数据。

下面黑色的线是噪声

 

原理图

使用一个值便可以表示

 

循环采样相同数据集大小的集合进行采样。直接获得样本 进行随机的梯度下降。通过这个方法可以让生成器变得更好

 

 

 

 

在受限的领域进行高质量学习，对隐含空间进行向量的运算。

 

 

从理论与散度上进行研究。

关键如何快速得到纳甚均衡

中文生成

 

开始进入实操了

均值0 方差1 

先对 logcar 进行开方