vae

2024/4/12 2:58:45
Reparameterization trick（重参数化技巧）

Reparameterization trick（重参数化技巧）

“Reparameterization trick”（重参数化技巧）是一种在训练生成模型中处理随机性潜在变量的方法，特别常见于变分自动编码器（VAE）等模型中。这个技巧的目的是使模型可微分（differentiable）&#x…
阅读更多...
葫芦书笔记----生成模型

葫芦书笔记----生成模型

图去书里看。 生成模型 生成模型就是要让机器找到产生数据的概率分布P(x)P(x)P(x). 变分自编码器基础知识 ###简述VAE的基本思想，以及它时如何用变分推断方法进行训练的？ 详细： 自编码器（AE）：标准的A…
阅读更多...
【AI算法学习】基于AutoEncoder的生成对抗网络

【AI算法学习】基于AutoEncoder的生成对抗网络

基于AutoEncoder的生成对抗网络：VAE-GAN AutoEncoderVAEGANVAE-GANDCGANInfoGANss-InfoGAN论文链接 " 生成模型（Generative modeling）"已成为机器学习的一个较为广泛的领域。在图像这种流行数据上，每张图像都有数千数万…
阅读更多...
《论文阅读》使用条件变分自动编码器学习神经对话模型的语篇水平多样性 2017 ACL

《论文阅读》使用条件变分自动编码器学习神经对话模型的语篇水平多样性 2017 ACL

《论文阅读》使用条件变分自动编码器学习神经对话模型的语篇水平多样性 2017 ACL 前言简介相关知识Stochastic Gradient Variational BayesMultivariate Gaussian DistributionIsotropic Gaussian DistributionReparameterization Trickprior network & posterior network …
阅读更多...
《论文阅读》用于情绪回复生成的情绪正则化条件变分自动编码器 Affective Computing 2021

《论文阅读》用于情绪回复生成的情绪正则化条件变分自动编码器 Affective Computing 2021

《论文阅读》用于情绪回复生成的情绪正则化条件变分自动编码器 前言简介模型结构实验结果总结前言 今天为大家带来的是《Emotion-Regularized Conditional Variational Autoencoder for Emotional Response Generation》 出版：IEEE Transactions on Affective Computing 时间…
阅读更多...
从EM到VI，最后落地VAE

从EM到VI，最后落地VAE

1. 初识EM、VI与VAE 1.1. EM算法 EM是一种从频率角度解决优化问题（常见的频率角度模型有：回归模型、SVM等）。EM常与MLE进行对比。 MLE（极大似然估计） EM算法 1.2 VI算法 变分推断（Variational Inferenc…
阅读更多...
生成对抗网络Generative Adversarial Network，GAN

生成对抗网络Generative Adversarial Network，GAN

Basic Idea of GAN Generation（生成器）  Generation是一个neural network，它的输入是一个vector，它的输出是一个更高维的vector，以图片生成为例，输出就是一张图片，其中每个维度的值代表生…
阅读更多...
【机器学习】VAE算法的pytorch实现-MNIST手写数据识别

【机器学习】VAE算法的pytorch实现-MNIST手写数据识别

文章目录 序言1. 环境配置2. 数据集准备3. 构建网络4. 定义损失函数5. 模型训练/测试5.1 从头开始训练5.2 导入ckpt继续训练5.3 模型测试 6. 可视化显示7. 模型保存与加载8. 完整模型代码9. 用到的函数补充介绍9.1 transforms.Compose()9.2 nums_worker9.3 model.to(device) 或…
阅读更多...
VAE与CVAE

VAE与CVAE

CVAE理论到代码1. VAE的本质1.1 深度理解VAE1.2 VAE 与GAN2. CVAE2.1 CVAE简介2.2 CVAE基本模型2.3 数学理解参考1. VAE的本质 1.1 深度理解VAE VAE本质就是在我们常规的自编码器的基础上，对encoder的结果（在VAE中对应着计算均值的网络）加上…
阅读更多...
AI绘画能力的起源：通俗理解VAE、扩散模型DDPM、DETR、ViT/Swin transformer

AI绘画能力的起源：通俗理解VAE、扩散模型DDPM、DETR、ViT/Swin transformer

前言 2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN2015 Fast R-CNN、Faster R-CNN2016 YOLO、SSD2…
阅读更多...
AIGC系列之：Variational Auto Encoder-VAE模块

AIGC系列之：Variational Auto Encoder-VAE模块

目录 1.VAE 概述 2.概率分布 3.损失函数 4.重参数技巧 5.维度对 VAE 的影响 6.损失函数对VAE的影响 7.总结 VAE原始https://arxiv.org/abs/1312.6114 论文解读：https://mp.weixin.qq.com/MzI1MjQ2O 1.VAE 概述 变分自动编码器（Variational auto…
阅读更多...
收盘价时空模式挖掘与多股票走势聚类分析：探索市场行为共性

收盘价时空模式挖掘与多股票走势聚类分析：探索市场行为共性

收盘价时空模式挖掘与多股走势聚类分析：探索市场行为共性 一.版本信息二.操作步骤1.下载各股历史交易数据A.代码(download_stocks.py)B.执行2.遍历各股的csv文件,提取收盘价数据,归一化,绘制曲线,保存图片A.代码B.执行3.用上面的图片集训练VAE模型A.代码B.执行4.用上面训出的V…
阅读更多...
图像生成发展起源：从VAE、VQ-VAE、扩散模型DDPM、DETR到ViT、Swin transformer

图像生成发展起源：从VAE、VQ-VAE、扩散模型DDPM、DETR到ViT、Swin transformer

前言 2018年我写过一篇博客，叫：《一文读懂目标检测：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD》，该文相当于梳理了2019年之前CV领域的典型视觉模型，比如 2014 R-CNN2015 Fast R-CNN、Faster R-CNN2016 YOLO、SSD2…
阅读更多...
生成模型（自编码器、VAE、GAN）

生成模型（自编码器、VAE、GAN）

文章目录 自编码器Autoencoder潜在表示（latent representation）VAE迁移学习 生成对抗网络GAN李沐论文精读摘要导言相关工作Adversarial net简单总结 精读挖坑（上课内容 来自Manolis Kellis教授（MIT计算生物学主任）的课…
阅读更多...
VAE模型（详细推导+实例代码）

VAE模型（详细推导+实例代码）

文章目录 EM算法思路E步M步直观感觉 GMM模型VAEVAE思想从GMM到VAE公式推导重参数VAE神经网络另一个视角的VAE思想为什么引入encoder为什么要重参数噪声与重建 Discrete VAE 本文会从EM算法，GMM模型一步一步的的推导，在过渡到VAE模型，如果有熟…
阅读更多...
Stable Diffusion——基础模型、VAE、LORA、Embedding各个模型的介绍与使用方法

Stable Diffusion——基础模型、VAE、LORA、Embedding各个模型的介绍与使用方法

前言 Stable Diffusion（稳定扩散）是一种生成模型，基于扩散过程来生成高质量的图像。它通过一个渐进过程，从一个简单的噪声开始，逐步转变成目标图像，生成高保真度的图像。这个模型的基础版本是基于扩散过程…
阅读更多...
理解变分自编码器（VAE）

理解变分自编码器（VAE）

转载翻译自：https://towardsdatascience.com/understanding-variational-autoencoders-vaes-f70510919f73 介绍 在过去几年中，基于深度学习的生成模型因为在该领域中取得了一些惊人的进展而越来越受到关注。依靠大量的数据、精心设计的网络架构和智能训…
阅读更多...

Copyright @ 2022~2023