2020年6月22日

摘要: 概述 贝叶斯神经网络是一类神经网络模型,模型的参数不是固定的值,而是分布,如$(图1)$所示。这样设置,我们就能够对数据和模型的不确定性(uncertainty)进行评估。例如有一个函数$f(x)=y$,当函数$f$确定时,输入$x$能得到唯一确定的y,如果我们调整$f$,得到的$y$就会发生变化。 阅读全文
posted @ 2020-06-22 23:46 Kokosnuss4 阅读(5762) 评论(1) 推荐(0) 编辑
 
摘要: 引言 前面三篇文章介绍了变分推断(variational inference),这篇文章将要介绍变分自编码器,但是在介绍变分自编码器前,我们先来了解一下传统的自编码器。 自编码器 自编码器(autoencoder)属于无监督学习模型(unsupervised learning),更严格地说属于自监督 阅读全文
posted @ 2020-06-22 23:45 Kokosnuss4 阅读(1929) 评论(0) 推荐(0) 编辑
 
摘要: SVI变分推断的前两篇介绍了变分推断的构造方法、目标函数以及优化算法CAVI,同时上一篇末尾提到,CAVI并不适用于大规模的数据的情况,而这一篇将要介绍一种随机优化(stochastic optimization)的方法。这种优化方法与随机梯度下降(Stochastic Gradient Desce 阅读全文
posted @ 2020-06-22 23:44 Kokosnuss4 阅读(1522) 评论(0) 推荐(0) 编辑
 
摘要: 贝叶斯推断由上一篇我们已经了解到,对于未知的分布或者难以计算的问题,我们可以通过变分推断将其转换为简单的可计算的问题来求解。现在我们贝叶斯统计的角度,来看一个难以准确计算的案例。 推断问题可以理解为计算条件概率$p(y|x)$。利用贝叶斯定理,可以将计算条件概率(或者说后验概率,posterior) 阅读全文
posted @ 2020-06-22 23:43 Kokosnuss4 阅读(1319) 评论(0) 推荐(0) 编辑
 
摘要: 引言GAN专题介绍了GAN的原理以及一些变种,这次打算介绍另一个重要的生成模型——变分自编码器(Variational AutoEncoder,VAE)。但在介绍编码器之前,这里会先花一点时间介绍变分推断(Variational Inference,VI),而这一小系列最后还会介绍贝叶斯神经网络—— 阅读全文
posted @ 2020-06-22 23:42 Kokosnuss4 阅读(2388) 评论(0) 推荐(0) 编辑
 

2020年5月26日

摘要: 模型结构在第三篇我们了解了InfoGan、cGAN和CycleGAN这三类GAN模型,并且我们注意到在不同的GAN中,生成器和判别器内部使用的模型各式各样。这一篇我们来看看GAN内部使用的模型,以及GAN的一些特殊的组织方式。 DCGAN原生的GAN中,生成器和判别器采用的都是MLP(Mutli-L 阅读全文
posted @ 2020-05-26 20:45 Kokosnuss4 阅读(3376) 评论(2) 推荐(0) 编辑
 
摘要: 应用案例前面两篇介绍了GAN的基础理论,以及对目标函数的优化的一些尝试,现在我们先来了解一下GAN具体使用情况,从而对GAN有一个更直观的认识。 InfoGANInfoGAN是在GAN的框架下,通过引入信息论的方法,引导模型学习数据的解耦表征(disentangled features)的模型。得到 阅读全文
posted @ 2020-05-26 20:44 Kokosnuss4 阅读(1137) 评论(0) 推荐(0) 编辑
 
摘要: 目标函数的优化 在第一篇我们了解到,原生的GAN采用零和博弈(zero-sum game)的策略,这会导致在训练初期生成器的临梯度消失(gradient vanishing),训练停止。如果将零和博弈改为非饱和博弈,这虽然能够解决梯度消失的问题,但会导致训练不稳定(instable)。为了解决这两个 阅读全文
posted @ 2020-05-26 20:35 Kokosnuss4 阅读(3414) 评论(0) 推荐(0) 编辑
 
摘要: 概述GAN(Generative Adversarial Network,生成对抗网络)是一个网络框架,它通常包括两部分,生成器(generator)和判别器(discriminator)。生成器的作用是学习真实数据的分布(或者通俗地说就是学习真实数据的特征),然后自动地生成新的数据——所以GAN实 阅读全文
posted @ 2020-05-26 20:30 Kokosnuss4 阅读(1437) 评论(0) 推荐(0) 编辑