vae

深度学习系列27：VAE生成模型

1.AEAE（Autoencoder），自动编码器。自编码器的初衷是为了数据降维，假设原始特征x维度过高，那么我们希望通过编码器E将其编码成低维特征向量z=E(x)，编码的原则是尽可能保留原始信息，因此我们再训练一个解码器D，希望能通过z重构原始信息，即x≈D(E(x))，其优化目标一般是我们常用的encoder-decoder即为最简单的一种AE。训练过程中加上一些扰动，就可以变成去噪自编码器（
IE06·2022-11-30 13:35

深度学习（三——生成模型 Generative Model）

包括：自动编码器（Autoencoder）、变分自动编码器（VariationalAutoEncoder,VAE）.1.自动编码器初始自动编码器作为一种数据压缩方法，特点：只能压缩与训练数据相似的数据；
Lethe♪·2022-11-30 13:35

【论文笔记】Nonparallel Emotional Speech Conversion Using VAE-GAN 基于VAE-GAN的非平行情感语音生成

NonparallelEmotionalSpeechConversionUsingVAE-GANfromINTERSPEECH2020-PingAnTechnology关键字：语音生成、语音情感、生成对抗网络、自编码器摘要概括：采用GAN模型生成情感语音主要内容：本文采用的是VAE-GAN
你的宣妹·2022-11-30 08:07

自编码器/autoencoder

基本原理请看入门级的AE和VAE源代码：pytorch实现mnist生成，loss=重构+KL另一份关于VAE进行图像生成+图像定位/分割的源代码：[tensorflow,MNIST,有对各个步骤的详细介绍
xys430381_1·2022-11-30 07:58

自编码器keras实现数值输入_变分自编码器+要点综述+代码实现+生成图片

1.VAE的结构变分自编码器（VariationalAutoencoders）是由DiederikKingma和MaxWelling在2014年提出来的。
weixin_39648469·2022-11-30 06:25

VAE：变分自编码器的理解与实现

VAE理解与实现文章目录VAE理解与实现1.理解VAE2.模型实现3.代码4.总结1.理解VAEVAE是一类生成模型，其假设在低维空间(维度k,k
我是大黄同学呀·2022-11-29 14:20

第二十三课.扩散模型

扩散模型本质是生成模型，过去我们常用的生成模型包括GAN和VAE，利用随机噪声生成图像样本。
tzc_fly·2022-11-29 11:02

Diffusion Models (一) 初步认识

GAN-VAE-FLOW-Based-Diffsionmodels最近扩散模型比较火，打算抽时间学习一下，本文进行学习记录，只是初步了解，后面再看领域内的相关论文。
Ray Song·2022-11-29 07:03

（脑肿瘤分割笔记：四&七）--自编码器和变分自编码介绍&&具有变分自编码器正则化的U型分割结构

目录相关概念自编码器（AE）自编码器存在的问题变分自编码器（VAE）关于正则化的直观解释论文一：3DMRIbraintumorsegmentationusingautoencoderregularizationIntroduction
不想敲代码的小杨·2022-11-28 13:57

变分自编码器（Variational Auto-Encoder，VAE）

最近看论文看到变分自编码器，发现它也可以用于数据增强，就仔细了解了一下，把比较好的讲解资料和自己的想法整理一下，以备用。经典论文Auto-EncodingVariationalBayes（还没看，据说很经典）详细介绍Tutorial-Whatisavariationalautoencoder?（从神经网络和图模型两个方面来讲解）变分自编码器（一）：原来是这么一回事（写的特别好，看完这篇基本可以了解
bobobe·2022-11-28 13:56

变分自编码器VAE实现MNIST数据集生成by Pytorch

最近想学习下GAN，于是先学习下VAE。代码实现一部分出自这本书，因为这本书会给出pytorch的代码实现，所以我觉得还不错。
王大队长·2022-11-28 13:25

通俗易懂——VAE变分自编码器原理

变分自编码器（VariationalAutoEncoder,VAE）李宏毅机器学习笔记。转载请注明出处。
BarbaraChow·2022-11-28 13:22

带你看懂变分自编码(VAE)

实际上，我们在机器学习篇章中对VAE从理论上做了一次介绍，还是比较晦涩难懂的。今天，我们就由浅入深来详细理解一下这个由世界级顶尖研究型大学——阿姆斯特丹大学——学霸
整得咔咔响·2022-11-28 13:52

VAE变分自编码器

我在学习VAE的时候遇到了很多问题，很多博客写的不太好理解，因此将很多内容重新进行了整合。我自己的学习路线是先学EM算法再看的变分推断，最后学VAE，自我感觉这个线路比较好理解。
THE#ONE·2022-11-28 13:49

再谈变分自编码器（VAE）：估计样本概率密度

©PaperWeekly原创·作者|苏剑林单位|追一科技研究方向|NLP、神经网络在本系列的前面几篇文章中，我们已经从多个角度来理解了VAE，一般来说，用VAE是为了得到一个生成模型，或者是做更好的编码模型
PaperWeekly·2022-11-28 13:48

VAE 变分自编码器

收集了几篇文章，介绍VAE变分自编码器，如下：1.
琥珀彩·2022-11-28 13:47

VAE变分自动编码

很感谢李宏毅老师的教程视频，讲得实在是简单通透，视频地址如下：【深度学习】李宏毅MachineLearning(2017,秋，台湾大学)国语_哔哩哔哩_bilibili依据李宏毅老师的讲解，我整理了一番VAE
Dongxue_NLP·2022-11-28 13:16

变分自动编码器（VAE variational autoencoder）

文章目录自动编码器AutoEncoder变分推断VariationalInference变分自动编码器VariationalAutoEncoder条件变分自动编码器ConditionalVariationalAutoEncoder实验Experiments声明禁止转载自动编码器AutoEncoder组成Components：编码器Encoder:X→ZX\rightarrowZX→Z解码器Deco
BubbleCodes·2022-11-28 13:46

讲解变分自编码器-VAE（附代码）

目录1.从AE谈起2.VAE基础知识2.1VAE基本介绍2.2VAE推导2.2.1KL散度2.2.2变分推断2.2.3推导过程2.2.4推导结果3.代码实现3.1.1VAE.py3.1.2main.py4
m0_58547949·2022-11-28 13:14

Diffusion models VS GANs——图像合成（Image synthesi）领域的下一代模型

图像合成任务通常由深度生成模型（如GAN、VAE和自回归模型）执行。生成对抗网络(GAN)由于其产生的输出质量，在过去几年中一直是备受关注
孟大师·2022-11-28 09:51

条件DDPM：Diffusion model的第三个巅峰之作

本文基于前面几篇文章继续聊一聊：从VAE到Diffusi
沉迷单车的追风少年·2022-11-27 16:19

2021 CIKM |GF-VAE: A Flow-based Variational Autoencoder for Molecule Generation

2021CIKM|GF-VAE:AFlow-basedVariationalAutoencoderforMoleculeGenerationPaper:https://dl.acm.org/doi/epdf
发呆的比目鱼·2022-11-27 10:02

CycleGAN详解

原文地址：https://arxiv.org/abs/1703.10593图像生成领域用的比较多的是VAE和GAN。VAE可以作为一种数据降维的方法，可以尝试做特征解耦，然后做风格图像合成等任务。
Soheyi·2022-11-27 07:17

大学计算机AI学习初步规划 202204

学习初步规划202204人工智能领域的前沿技术研究1、机器学习、深度学习、语义分析、NLPTensorFlow\Scikit-learn\Pytorch\MXNET\Caffe，CNN/RNN/LSTM/VAE2
fancyhf·2022-11-26 14:56

生成扩散模型漫谈

转载自微信公众号PaperWeekly系列文章作者苏剑林生成扩散模型漫谈：DDPM=拆楼+建楼生成扩散模型漫谈：DDPM=自回归式VAE生成扩散模型漫谈：最优扩散方差估计（上）再谈变分自编码器（VAE）
一穷二白到年薪百万·2022-11-26 12:12

生成扩散模型漫谈：最优扩散方差估计（上）

在《生成扩散模型漫谈：DDPM=自回归式VAE》我们提到，DDPM分别假设数据服从两种特殊分布推出了两个可用的结果；《生成扩散模型漫谈：DDIM=高观点DDPM》中的DDIM则调整了生成过程，将方差变为超参数
PaperWeekly·2022-11-26 12:00

生成扩散模型漫谈：DDPM = 贝叶斯 + 去噪

苏剑林单位|追一科技研究方向|NLP、神经网络到目前为止，笔者给出了生成扩散模型DDPM的两种推导，分别是《生成扩散模型漫谈：DDPM=拆楼+建楼》中的通俗类比方案和《生成扩散模型漫谈：DDPM=自回归式VAE
PaperWeekly·2022-11-26 12:29

生成扩散模型漫谈：DDPM = 拆楼 + 建楼

©PaperWeekly原创·作者|苏剑林单位|追一科技研究方向|NLP、神经网络说到生成模型，VAE、GAN可谓是“如雷贯耳”，本站也有过多次分享。
PaperWeekly·2022-11-26 12:28

【DL】关于重参数(Reparameterization)

最近在看关于生成模型的内容，在VAE中对KLDivergence的计算，以及RelGAN中的Gumbel-Softmax，都涉及到了重参数(Reparameterizationtrick)这一概念。
wjn922·2022-11-25 07:34

VAE中重参数化技巧

谈起重参数化技巧，不得不提变分自编码器(VAE)；在VAE中，我们知道需要对编码器的输出、进行采样，从而可以将采样输入到编码器网络，能够得到输入样本的重构，以这种方式对模型进行训练。
我会像蜗牛一样努力·2022-11-25 07:58

MATLAB实现自编码器（六）——变分自编码器（VAE）官网代码的改进

本文内容参考了ConditionalVAE(VariationalAutoEncoder)条件付きVAE是对官方网页TrainVariationalAutoencoder(VAE)toGenerateImages
佟湘玉滴玉·2022-11-25 07:19

VAE生成模型（附VAE实现mnist代码）

本文是在基于此博客上的转载，如有讲述不清楚的地方，推荐原博客【学习笔记】生成模型——变分自编码器自编码器AE自编码器是一类在半监督学习和非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习。AutoEncoder包括编码器(Encoder)和解码器(Decoder)两部分。Encoder过程是将原先的数据（常用于图像方向）压缩为低维向量；Decoder则是把低
其实也很简单·2022-11-24 20:49

【LDA】基础知识笔记——主要是AE、VAE

目录贝叶斯相关似然函数后验分布先验分布贝叶斯公式：AE自编码器VAE变分自编码器贝叶斯相关似然函数似然函数（likelihood）：p(data|θ\thetaθ)在参数值确定条件下，当前实验数据出现的概率
冰淇淋和慕斯蛋糕·2022-11-24 20:49

从零点五开始的深度学习笔记——VAE(Variational AutoEncoder) （三）VAE的简单实现

VAE的简单实现学习笔记链接1.预备知识1.1关于采样1.1.1蒙特卡罗模拟1.1.2重要性采样1.2VAE模型的假设1.2.1关于采样1.2.2编码器p(z∣x)p(z|x)p(z∣x)部分1.2.3
无始之始·2022-11-24 20:16

从零点五开始的深度学习笔记——VAE(Variational AutoEncoder) （二）概率角度理解VAE结构

概率角度理解VAE结构1.从联合概率分布构造的损失函数开始的一切1.1定义1.2推导过程1.3损失函数的理解2.总结1.从联合概率分布构造的损失函数开始的一切一个优秀的生成网络应该是怎么样的？
无始之始·2022-11-24 20:46

【论文阅读-3】生成模型——变分自编码器(Variational Auto-Encoder，VAE)

【论文阅读】生成模型——变分自编码器1.VAE设计思路：从PCA到VAE1.1PCA1.2自编码器(Auto-Encoder,AE)1.3从AE到VAE2.VAE模型框架2.1问题描述2.2变分下限2.3SGVB
Paul-Huang·2022-11-24 20:45

8月28日计算机视觉理论学习笔记——图像生成

文章目录前言一、判别式模型与生成式模型1、判别式模型2、生成式模型二、VAE自编码机三、GAN1、CGAN2、WassersteinGAN3、Super-ResolutionGAN前言本文为8月28日计算机视觉理论学习笔记
Ashen_0nee·2022-11-24 20:14

生成模型笔记——VAE

摘要生成模型中像VAE和GAN，它们的本质目标其实是差不多的，都是希望能够建立一个从隐变量Z生成目标数据X的有效的模型。
不认输的韦迪·2022-11-24 20:13

VAE详解（附pytorch）

VAE:变分自编码器，遵循encoder-decoder结构，但是encoder的结果是正态分布的均值和方差（其实也是一般的参数，只是我们赋予了它们均值和方差的意义）编码是从不同的事物中提取不同的特征，
A G I·2022-11-24 13:39

【深度学习】生成模型：VAE(自编码器)模型解析

目录1前言2VAE模型2.1VAE模型推导2.2重参化技巧3QA3.1生成体现在什么地方3.2AE和VAE的区别4另一种角度理解VAE5总结不足6参考文献1前言  本文为自己自学内容的记录，其中多有借鉴别人博客的地方
一穷二白到年薪百万·2022-11-24 07:23

机器学习-变分自编码器VAE实战（三）

本篇主要内容是变分自编码器VAE的实战，希望大家可以对比机器学习-自编码器AE实战（二）进行对照学习，尤其是在自定义VAE类，以及网络训练部分，会有较大的不同。
weixin_46737548·2022-11-24 07:50

VAE 实验报告

VAE实验报告1.任务定义2.实验环境3.方法描述3.1VAE.py3.1.1损失函数定义3.1.2VAE模型实现3.2train.py3.2.1数据加载3.2.2模型、优化器与损失函数初始化3.2.3
回锅肉炒肉·2022-11-24 07:49

深度学习的学习与实践（1）：从AE，VAE，到AAE

前置知识：自编码器入门前段时间在改论文的过程中，审稿人给出了关于使用对抗自编码器算法的建议——2020.2以上算是序自编码器（autoencoder）是一种无监督学习神经网络基本定义本质上来说，自编码器是一种所谓”生成模型“，也就是根据给定的数据集去学习数据的分布函数，然后通过调整神经网络的参数使输出和原数据集尽量一致。一般的，自编码器的原型是一个单隐层的神经网络从输入层到隐层的过程可以理解为一个
container_body·2022-11-24 07:49

VAE总结

这段时间看了VAE的有关知识，但网上关于VAE的讲解较为理论复杂，我这里就记录一下自己的想法了。
transformer_WSZ·2022-11-24 07:46

变分自编码器VAE学习笔记

完整版文章请看知乎原文，link直接点击标题，本文章只记录个人的学习笔记变分自编码器VAE：原来是这么一回事|附开源代码作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP，神经网络个人主页丨kexue.fmVAE
ahigan·2022-11-24 07:14

AI换脸技术再创新高度，DeepMind发布的VQ-VAE二代算法有多厉害？

作者|beyondma转载自CSDN网站近日DeepMind发布VQ-VAE-2算法，也就是之前VQ-VAE算法2代，这个算法从感观效果上来看比生成对抗神经网络（GAN)的来得更加真实，堪称AI换脸界的大杀器
AI科技大本营·2022-11-24 07:12

AE& VAE 代码和结果记录

AutoEncoder在MNIST上记录直接上代码importosos.chdir(os.path.dirname(__file__))importtorchimporttorch.nnasnnimporttorch.nn.functionalasFimporttorchvisionfromtorchvisionimporttransformsfromtorchvision.utilsimport
FrankJingle·2022-11-24 07:06

深度学习图像处理目标检测图像分割计算机视觉 13--图像生成GAN

深度学习图像处理目标检测图像分割计算机视觉13--图像生成GAN摘要一、图像生成1.1VAE1.2生成式对抗网络GAN1.3DCGAN1.4WGAN1.5SRGAN二、StructureandIlluminationConstrainedGANforMedicalImageEnhancement2.1
guoxinxin0605·2022-11-24 06:14

理解扩散模型：Diffusion Models & DDPM

引言在前面的博客中，我们讨论了生成模型VAE和GAN，近年来，新的生成模型——扩散模型受到越来越多的关注，因此值得好好去研究一番。
XuanyuXiang·2022-11-23 11:49

Augmented semantic feature based generative network for generalized zero-shot learning

Accepted14April2021（NeuralNetworks）目录1.摘要2.思想3.创新与贡献4.增强语义4.1学习拓展语义性4.2可见类语义增强4.3不可见类语义增强5.视觉特征生成5.1VAE
all-izz-well·2022-11-23 01:56
上一页 7 8 9 10 11 12 13 14 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他