← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 6473.d.2.e · 生成模型:未记录

生成器表达多种可能

理解等级:中级

生成器可将从简单分布采样的随机向量映射成复杂样本;有条件生成还接收条件输入。在相同条件下改变随机输入,模型有机会产生不同结果。书中用视频下一帧可能向左或向右的例子说明:当合理结果有多种时,单一平均预测可能模糊。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 生成模型 8.1.1 生成器 · 查看原书依据

      与先前介绍的模型所不同的是,生成模型中的网络会被作为一个生成器(generator)使用. 具体来说,在输入时会将一个随机变量与原始输入一并输入模型,这个变量是从随机分布中采样得到的. 输入时可以采用向量拼接的方式将和一并输入,或在和长度一样时,将它们的和作为输入. 变量的特别之处在于其非固定性,即每一次我们使用网络时,都会从一个随机分布中采样得到一个新的. 通常,我们对该随机分布的要求是,它必须足够简单,可以较为容易地进行采样,或者可以直接写出该随机分布的函数,如高斯分布(Gaussian distribution)、均匀分布(uniform distribution)等.所以每次在输入的同时,我们都从随机分布中采样得到,得到最终的输出. 随着采样得到的的不同,我们得到的输出也会不一样. 同理,对于网络来说,其输出也不再固定,而变成一个复杂的分布. 我们将这种可以输出一个复杂分布的网络称为生成器,如图8.1 所示.

    参考来源

    - 位置:《深度学习详解》第8章《生成模型》8.1.1 生成器(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter08.xhtml`) - 结论依据:原文用视频预测和动漫人脸示例解释随机输入、条件生成和生成器与判别器的互动。 - 原始内容:与先前介绍的模型所不同的是,生成模型中的网络会被作为一个生成器(generator)使用. 具体来说,在输入时会将一个随机变量与原始输入一并输入模型,这个变量是从随机分布中采样得到的. 输入时可以采用向量拼接的方式将和一并输入,或在和长度一样时,将它们的和作为输入. 变量的特别之处在于其非固定性,即每一次我们使用网络时,都会从一个随机分布中采样得到一个新的. 通常,我们对该随机分布的要求是,它必须足够简单,可以较为容易地进行采样,或者可以直接写出该随机分布的函数,如高斯分布(Gaussian distribution)、均匀分布(uniform distribution)等.所以每次在输入的同时,我们都从随机分布中采样得到,得到最终的输出. 随着采样得到的的不同,我们得到的输出也会不一样. 同理,对于网络来说,其输出也不再固定,而变成一个复杂的分布. 我们将这种可以输出一个复杂分布的网络称为生成器,如图8.1 所示.