Публикации по теме 'variational-autoencoder'
Вариационный автоэнкодер (VAE) с дискретным распределением с использованием Gumbel Softmax
Теория и реализация PyTorch
Поскольку эта статья будет обширной, я предоставлю читателю индекс для лучшей навигации:
Введение Краткое введение в вариационные автоэнкодеры (VAE) Расхождение Кульбака – Лейблера (KL) потеря VAE Трюк с репараметризацией Выборка из категориального распределения и трюк Gumbel-Max Выполнение
Введение
В настоящее время генеративные модели стали очень популярными благодаря их способности генерировать новые выборки с присущей им изменчивостью путем..
Обнаружение VAE: как я создавал изображения
Вы, наверное, слышали о VAE и GAN — генеративных моделях машинного обучения, которые могут создавать синтетические данные: изображения, музыку и т. д.
Если нет, то хотя бы о том, что ML-модели могут создавать реалистичные образы людей, которых даже не существует. Посетите этот сайт , чтобы увидеть результаты — здесь они используют модель StyleGAN.
Я постараюсь открыть для себя и исследовать модели VAE и сделать краткий обзор того, как они работают.
Отказ от ответственности. Я..
VAE не делают классические рекомендательные системы устаревшими
VAE не делают классические рекомендательные системы устаревшими
Прочитав статью Как вариационные автоэнкодеры делают классические рекомендательные системы устаревшими , в которой утверждается, что вариационные автоэнкодеры (VAE) превосходят классические рекомендательные системы, такие как простые модели совместной фильтрации на основе памяти и моделей, я почувствовал необходимость ответить. Хотя в этой статье представлено интересное сравнение различных алгоритмов рекомендаций, я не..
Погрузитесь в вариационные автоэнкодеры
Введение
В предыдущих статьях об автоэнкодерах ( Часть 1 и Часть 2 ) мы исследовали интуицию, теорию и реализацию недостаточного и избыточного автоэнкодеров. Автоэнкоды состоят из двух частей: кодировщика и декодера. Кодировщик перемещает ввод в скрытое пространство, в то время как декодер пытается получить представление ввода обратно из представления скрытого пространства.
Проблема с классическими автоэнкодерами
Однако кодировщик в этих случаях является детерминированным по своей..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..