2. 程式人生 > >GAN李巨集毅(1)

GAN李巨集毅(1)

阿新 • • 發佈：2018-12-11

目錄

課程內容

1基本概念

1.2演算法

​

GAN的種種變形的收集

課程內容

1基本概念

1.1核心問題

1.2演算法

1.3結果——遍歷的創造力

2GAN 是一種結構學習

2.1分類、迴歸、結構學習

2.2 結構學習的難度

 

2.3傳統解決這個問題的方法

 3generator自己學會怎麼樣

3.1用encode-decode網路的decode代作為生成器

3.2這種方式的問題

在隨機數的連續性上有問題

3.3VAE解決這個問題

編解碼的中間加了噪音，decode更加穩定

這裡的sigema對結果是有干擾的，不過我們不能讓它太小

3.4仍然沒有考慮的問題

高維度的影象的分佈是低維的，所以可以降維度。

什麼叫做越像越好——逐畫素比較不夠

網路架構中很難融入部件之間的關係，輸出層很難互相配合，只能多加層

用編解碼網路需要更多的層來得到與GAN類似的結果

生成器生成的藍色的點效果之所以不好，是因為難學到x1x2的關係

4discriminator自己學會怎麼樣

4.1這些函式都可以作為判別器

4.2判別器本身就很容易得到總體的結構資訊，因為是把高維的變成低維的

生成時是逐畫素生成的難以判別逐畫素的資訊，而判別器是從上向下的，容易獲取結構資訊

4.3判別器生成的方式是窮舉

4.3.1找負樣本是很難的——生成器

4.4判別就是用結構化的眼光在找生成器的弱點

5 判別器生成起的優缺點

5.1生成器就是在解這個arg max問題

相關推薦

GAN李巨集毅(1)

目錄 課程內容 1基本概念 1.2演算法 ​ GAN的種種變形的收集 課程內容 1基本概念 1.1核心問題 1.2演算法 1.3結果——遍歷的創造力

GAN李巨集毅（3）——無監督conditional GAN

目錄 ​ 存在的問題 ​ 從標籤得到圖片，然後用判別器更新生成器。如果標籤沒那麼精確，不是一對一的，計算判別器的時候就會出現問題，怎麼辦？ 問題——如果判別器不仔細設計，而生成器又比較深的話，會導致生成影象與原始影象差

李巨集毅老師《1天搞懂深度學習》

Deep Learning • 上學期的「機器學習」錄影 • DNN: https://www.youtube.com/watch?v=Dr-WRlEFefw • Tips for DNN: https://www.youtube.com/watch?v=xki61j7z-30 • CNN:

深度學習導論 - 讀李巨集毅《1天搞懂深度學習》

先引用他人關於李巨集毅教授關於深度學習導論的PPT，應該非常容易入門。 ”《1天搞懂深度學習》，300多頁的ppt，臺灣李巨集毅教授寫的，非常棒。不誇張地說，是我看過最系統，也最通俗易懂的，關於深度學習的文章。“ 這是slideshare的連結：htt

GAN（4）李巨集毅——理論

目錄 1：找出影象的分佈規律——生成器 1.1：之前的方法——最大似然估計 用Pdata的取樣，調整PG的引數，讓PG接近Pdata。 只考慮P(D | h)就是最大似然估計，即便一個猜測與資料非常符合，也並不代表這個猜測就是更好的猜測，因

李巨集毅機器學習PTT的理解（1）深度學習的介紹

深度學習的介紹 機器學習就像是尋找一個合適的函式，我們輸入資料就可以得到想要的結果，比如： 在語音識別中，我們輸入一段語音，函式的輸出值就是識別的結果；在影象識別中，輸入一張照片，函式可以告訴我們分類

[機器學習入門] 李巨集毅機器學習筆記-1（Learning Map 課程導覽圖）

在此就不介紹機器學習的概念了。 Learning Map（學習導圖） PDF VIDEO 先來看一張李大大的總圖↓ 鑑於看起來不是很直觀，我“照虎

李巨集毅 機器學習 作業1 Hungyi.Li Machine Learning HW1 PM2.5 Prediction

HomeWork1 PM2.5 Prediction 課程資料： 從印象筆記移過來修改的，懶得編輯太細了，CSDN又不讓直接插圖，CSDN的編輯器老出出現各種錯誤，太麻煩，反正程式碼能跑。 做題思路： 資料處理 id_x是時間點，每一個具體的x，是一個時間點

李巨集毅《機器學習（2017版）》課程筆記及心得 第1篇——Introduction of ML

1.首先，機器學習是什麼？機器學習，就是“根據所給資料，尋找一個函式，給出適當輸出”。通過這個函式，我們可以給它一個輸入，得到理想的、正確的輸出。我們通常需要給它資料，訓練一個機器的學習能力。例如：Speech Recognition就是我們給它一段音訊，它給我們識別，輸出這

李巨集毅老師機器學習課程筆記_ML Lecture 3-1: Gradient Descent

####引言： 這個系列的筆記是臺大李巨集毅老師機器學習的課程筆記 視訊連結（bilibili）：[李巨集毅機器學習(2017)](https://www.bilibili.com/video/av10590361?from=search&seid=4930602846193099298) 另外已經有

李巨集毅機器學習課程筆記-1.機器學習概論

# 機器學習是什麼 **機器學習就是讓機器能自動找到一個函式（function）** - 語音識別（Speech Recognition） 輸入是音訊，輸出是音訊對應的文字。 - 影象分類 輸入是圖片，輸出是類別（比如貓、狗）。 - AlphaGo下圍棋 輸入是當前棋盤的狀態，輸出是下一步

李巨集毅機器學習課程筆記-4.1分類簡介及其與迴歸的區別

[TOC] # 分類模型應用案例（Classification Cases） - 信用評分（Credit Scoring） - 輸入：收入、儲蓄、職業、年齡、信用歷史等等 - 輸出：是否貸款 - 醫療診斷（Medical Diagnosis） - 輸入：現在症狀、年齡、性別、病史 - 輸出：哪種疾病

Machine Learning 李巨集毅 HW0字數統計和圖片淡化

words.txt和圖片下載地址：words.txt和圖片 題目1 出現字數統計。 1.讀取words.txt中的所有英文單詞，單詞由分隔。 2.按照單詞出現的次數，給予編號（0,1,2）。 3.統計單詞出現的次數。 4.得到次數和編碼輸出至Q1.txt,每一行都為：

【ML】 李巨集毅機器學習筆記

我的github連結 - 課程相關程式碼： https://github.com/YidaoXianren/Machine-Learning-course-note 0. Introduction Machine Learning: define a set of function

李巨集毅機器學習 P14 Backpropagation 筆記

chain rule：求導的鏈式法則。 接著上一節，我們想要minimize這個loss的值，我們需要計算梯度來更新w和b。 以一個neuron舉例： 這個偏微分的結果就是輸入x。 比如下面這個神經網路： 下面我們要計算這個偏微分：。這裡的以si

李巨集毅機器學習 P13 Brief Introduction of Deep Learning 筆記

deep learning的熱度增長非常快。 下面看看deep learning的歷史。 最開始出現的是1958年的單層感知機，1969年發現單層感知機有限制，到了1980年代出現多層感知機（這和今天的深度學習已經沒有太大的區別），1986年又出現了反向傳播演算法（通常超過3

李巨集毅機器學習 P12 HW2 Winner or Loser 筆記（不使用框架實現使用MBGD優化方法和z_score標準化的logistic regression模型）

建立logistic迴歸模型： 根據ADULT資料集中一個人的age，workclass，fnlwgt，education，education_num，marital_status，occupation等資訊預測其income大於50K或者相反（收入）。 資料集： ADULT資料集。

李巨集毅機器學習P11 Logistic Regression 筆記

我們要找的是一個概率。 f即x屬於C1的機率。 上面的過程就是logistic regression。 下面將logistic regression與linear regression作比較。 接下來訓練模型，看看模型的好壞。 假設有N組trainin

李巨集毅機器學習 P15 “Hello world” of deep learning 筆記

我們今天使用Keras來寫一個deep learning model。 tensorflow實際上是一個微分器，它的功能比較強大，但同時也不太好學。因此我們學Keras，相對容易，也有足夠的靈活性。 李教授開了一個玩笑： 下面我們來寫一個最簡單的deep learning mo

【李巨集毅深度強化學習2018】P3 Q-learning（Basic Idea）

                             第三講 Q-learning（Basic Idea） 視訊地址：http