李弘毅专题

WDK李弘毅学习笔记第十周01_Unsupervised Learning: Neighbor Embedding

Unsupervised Learning: Neighbor Embedding 文章目录 Unsupervised Learning: Neighbor Embedding摘要1、Manifold Learning1.1 Locally Linear Embedding(LLE)1.1.1 思想1.1.2 做法1.1.3 实验 1.2 Laplacian Eigenmaps(拉普拉斯特

[机器学习入门] 李弘毅机器学习笔记-7 （Brief Introduction of Deep Learning；深度学习简介）

[机器学习入门] 李弘毅机器学习笔记-7 （Brief Introduction of Deep Learning；深度学习简介） PDFVIDEO Ups and downs of Deep Learning Three Steps for Deep Learning

GAN笔记_李弘毅教程(十)Evaluation Concluding Remarks

文章目录 EvaluationLikelihoodInception Score Mode DroppingGAN产生的distribution不够大之solutionUnroll GANMini-batch DiscriminationOptimal Transport GAN(OTGAN) Concluding Remarks Evaluation Likelihood

GAN笔记_李弘毅教程(八）Photo Editing

Demo 可以根据调节参数来变化特征要知道输入的每一维控制输出的什么特征。 G输入z，输出x;如果已知x(图片和标签)，我们如何知道生成x的z（vector）? 学习一个encoder Decoder不动，只train encoder，修正Encoder的最后一层。实际上可以拿D的参数来初始化Encoder的参数。这样当给出一些image，就可以反推出它们的vector。下图公式：长发

GAN笔记_李弘毅教程(七)Info GAN,VAE-GAN,BiGAN

文章目录 InfoGANVAE-GANBiGANTriple GANDomain-adversarial trainingOriginal Seq2seq Auto-encoder Feature Extraction InfoGAN 手写数字生成，input改变一个维度，output看不出什么变化。 input的变化对output的影响不明确怎么能看出这种变化的根源？

GAN笔记_李弘毅教程(六)WGAN、EBGAN

文章目录 Wasserstein GAN(WGAN)Improved WGAN(WGAN GP)Energy-based GAN(EBGAN)Loss-sensitive GAN(LSGAN) 在大多数情况下， P G {P_G} PG和 P d a t a {P_{data}} Pdata训练到最后是不会重叠的。因为有两点。 1.data本质： P G

GAN笔记_李弘毅教程(五)General Framework

这个章节主要讲的是不同的divergence对GAN的影响 f-divergence都可以放到GAN架构中。 f是凸函数并且f（1）=0 当p=q时，divergence为0,0是最小值。代入不同的 f ( x ) f(x) f(x),即有不同的KL。每一个 f ( x ) f(x) f(x)都有一个 f ∗ f^* f∗,凸共轭。有两种方法，分别为穷举法和画图法穷举法：穷举x

GAN笔记_李弘毅教程(a)Basic Theory

文章目录这一章节主要讲的是GAN的一些基础知识 distribution在蓝色区域才能生成人脸，否则会很模糊。那怎么找出这个distribution？用最大似然估计，这里要有点相关基础。可见 https://www.jianshu.com/p/f1d3906e4a3e 这个过程相当于最小化KL散度。以下这个过程有点像在凑KL散度的定义式，KL散度表征的是两个概

GAN笔记_李弘毅教程()Basic Theory

文章目录这一章节主要讲的是GAN的一些基础知识 distribution在蓝色区域才能生成人脸，否则会很模糊。那怎么找出这个distribution？用最大似然估计，这里要有点相关基础。可见 https://www.jianshu.com/p/f1d3906e4a3e 这个过程相当于最小化KL散度。以下这个过程有点像在凑KL散度的定义式，KL散度表征的是两个概

GAN笔记_李弘毅教程(三)Unsupervised Conditional Generation

文章目录简介Direct TransformationCycle GANStarGAN Projection to Common Space 简介风景照—画作（风格迁移）： Unsupervised Conditional Generation有两种方法：第一种的直接转化通常是颜色上的改变；而当差距很大的时候，用第二种方法： Direct Transformatio

GAN笔记_李弘毅教程(二)Conditional Generation

文章目录 Text-to-Image算法Image-to-imageVideo Text-to-Image 用传统监督方法，火车有侧面图片也有正面图片，而训练的结果往往是产生多张火车图片（有正面、侧面）的平均，所以生成图片会比较模糊：火车图片和Z共同输入至G中，生成一个图像 x = G ( c , z ) x = G(c,z) x=G(c,z)；让D能判断出真实图片为1，生