- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术小讲堂
LINQ to SQL(2):生成对象模型
在LINQ to SQL中，可以使用自己的编程语言的对象模型映射到关系数据库，在上一节课，已经有一部分内容，简单的介绍了一下这种对象模型的结构，这一节，我们主要讲使用vs给我们提供的工具来生成对象模型的方法 在visual studio中，可以使用OR设计器提供的丰富的用户界面来帮助我们生成您自定义的对象模型，这里写一下具体的操作步骤 在我们创建的项目上，右击，点击添加新项 ? 这时，在VS中会出现一个空白的图形界面，我们可以通过拖动服务器资源管理器中的表，存储过程来自动生成一些对于数据库的映射，不像我们第一节中用到的，这里所有的数据映射都是由OR设计器自动生成的，大大的提高了我们的开发效率 ，这样，在我们调用SubmitChange的时候，模型就会知道有那些属性有更改过，然后把这个更改写回给数据库，这个我想我会在下一节中重点写到，所以这里就不多做解释啦，只需要知道他的功能就好了 然后，我们再把一个另一个 是不是很熟悉呢，就是我们在第一节里自己写过的主外键关系的映射，不多做解释 同样，我们不仅可以利用OR设计器创建表的映射，而且也可以创建视图的映射、存储过程的映射，这里需要注意的是，如果我们要创建存储过程的映射，在模型里生成的是一个方法
1.1K40发布于 2018-03-07 - 来自专栏Backup@zzk
生成模型&判别模型
因此，生成式模型可以体现更多数据本身的分布信息，其普适性更广。2. 假设X就是两个特征（1或2），Y有两类（0或1），有如下训练样本（1，0）、（1，0）、（1，1）、（2，1）。 0 1 而学习到的联合概率分布（生成式模型）如下：0 1 1 1/2 1/4 2 0 1/4 在实际分类问题中，判别式模型可以直接用来判断特征的类别情况；而生成式模型需要加上贝叶斯公式 二者所包含的算法----------------图片Reference：【1】数据挖掘面试题之：生成模型 VS 判别模型，https://mp.weixin.qq.com/s/p6jidEexD2HgjMev5rXwUg 【2】机器学习“判定模型”和“生成模型”有什么区别？
90100编辑于 2023-08-17 - 来自专栏音视频技术
玩转StyleGAN2模型：教你生成动漫人物
正文字数：2840 阅读时长：6分钟 生成式对抗网络（GAN)是一种能够生成新内容的生成模型。 [Source: Paper] 如果我们从正态分布中采样z，我们的模型也会尝试生成缺失的区域，并且其中的比例是不现实的，因为没有具有这种特性的训练数据，生成器将生成较差的图像。 Gokaslan预先训练好的Anime StyleGAN2，以便我们可以加载模型直接生成动画脸。 git clone https://github.com/NVlabs/stylegan2.git 接下来，我们需要下载预先训练好的权重并加载模型。 此外，看看访问waifudoesnotex（https://www.thiswaifudoesnotexist.net/）网站，它拥有StyleGAN模型来生成动画人脸和GPT模型来生成动画情节。
2.9K54发布于 2020-10-23 - 来自专栏全栈程序员必看
生成模型_常见的模型生成方式
（一）生成模型简介 1、什么是生成模型 在概率统计理论中，生成模型是指能够在给定某些隐含参数的条件下，随机设工程观测数据的模型，他给观测值和标测数据序列指定一个联合概率分布，在机器学习中，生成模型可以用用来直接对数据进行建模 ，如根据某个变量的概率密度函数进行数据采样，也可以用来建立变量间的条件概率分布，条件概率分布可以由生成模型根据贝叶斯定理形成。 对于生成模型，可以分为两种类型， （1）可以完全表示出确切的分布函数 （2）第二种生成模型智能做到新数据的生成，二数据分布函数是模糊的。 生成模型的作用： （1）生成模型具有表现和处理高维概率分布的能力，而这种能力可以有效应用在数学或工程领域。 （2）与强化模型结合。 （3）通过提供生成数据，优化完善半监督学习。 生成模型： 自动编码器 变分自动编码器 发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/166893.html原文链接：https://javaforall.cn
99520编辑于 2022-09-19 - 来自专栏媒矿工厂
2D 扩散模型 + Nerf，实现文本生成 3D 模型
扩散模型和Nerf（神经辐射场）结合，提出DreamFusion，实现了从文字生成3D模型。 目录 摘要 引入：扩散模型 方法 摘要 在数十亿图像-文本对上训练的扩散模型，在文字生成图像的任务上大获成功。 在这项工作中，作者通过使用预训练的 2D 文本-图像的扩散模型，实现文本到 3D 合成。他们引入了基于概率密度蒸馏的损失函数，这也允许了2D扩散模型作为先验，用以优化参数图像生成器。 在类似 DeepDream 的过程中使用这种损失函数，作者通过梯度下降优化随机初始化的 3D 模型（NeRF），使其从随机角度的 2D 渲染均能让损失函数值较低。 引入：扩散模型 扩散模型是隐变量生成模型，它学习将样本从易处理的噪声分布逐渐转换为数据分布的过程，他由一个正向过程 q 和一个反向过程或生成模型 p 组成。
3.1K20编辑于 2022-11-07 - 来自专栏机器学习AI算法工程
判别模型 和 生成模型
【摘要】 - 生成模型：无穷样本==》概率密度模型 = 产生模型==》预测 - 判别模型：有限样本==》判别函数 = 预测模型==》预测 【简介】 简单的说，假设o是观察值，q是模型 能力有限，可以告诉你的是1还是2，但没有办法把整个场景描述出来。 通过使用贝叶斯rule可以从生成模型中得到条件分布。 如果观察到的数据是完全由生成模型所生成的，那么就可以fitting生成模型的参数，从而仅可能的增加数据相似度。 但数据很少能由生成模型完全得到，所以比较准确的方式是直接对条件密度函数建模，即使用分类或回归分析。 与描述模型的不同是，描述模型中所有变量都是直接测量得到。 ，但由判别模型得不到生成模型。
1.3K60发布于 2018-03-12 - 来自专栏浪浪山下那个村
生成模型和判别模型
生成方法和判别方法 监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model ）和判别模型（Discriminative Model） 判别方法 由数据直接学习决策函数 或者条件概率分布 作为预测的模型，即判别模型。 缺点是不能反映训练数据本身的特性 生成方法 由数据学习联合概率密度分布 ，然后求出条件概率分布 作为预测的模型，即生成模型： image.png 基本思想是首先建立样本的联合概率概率密度模型 这样的方法之所以成为生成方法，是因为模型表示了给定输入X产生输出Y的生成关系。用于随机生成的观察值建模，特别是在给定某些隐藏参数情况下。典型的生成模型有：朴素贝叶斯法、马尔科夫模型、高斯混合模型。 生成方法的特点: 从统计的角度表示数据的分布情况，能够反映同类数据本身的相似度; 生成方法还原出联合概率分布，而判别方法不能； 生成方法的学习收敛速度更快、即当样本容量增加的时候，学到的模型可以更快地收敛于真实模型
97030编辑于 2022-06-17 - 来自专栏人工智能LeadAI
判别模型和生成模型
判别模型和生成模型总结与对比： 判别模型(Discriminative Models) 生成模型(Generative Models) 特点 在有限样本条件下建立判别函数，寻找不同数据间的最优分类面， 要求已知样本无穷或尽可能的大 区别 估计条件概率分布P(y\x) 估计联合概率分布P(x,y) 联系 生成模型可得到判别模型 判别模型得不到生成模型 常见模型 ME、CRF、LR、SVM、Boosting 2.能够清晰地分辨类别之间的差异特征。3.可用于多类对的学习和识别。4.简单、容易学习。 1.面向整体数据的分布。2.能够反映同类数据本身的相似度。3.模型可以通过增量学习得到。 2.在训练时需要考虑所有的数据元组，当数据量很大时，该方法的效率并不高 3.缺乏灵活的建模工具和插入先验知识的方法。 黑盒操作：变量间的关系不可视 1.生成模型分类器需要产生的所有变量的联合概率，资源使用量大。2.分类性能不高，类别识别精度有限。3.学习和计算过程复杂。
79540发布于 2018-07-30 - 来自专栏YoungGy
判别模型和生成模型
监督学习方法分为生成方法和判别方法，学习到的模型分为生成模型和判别模型。 例子 对于简单的二分类问题 判别模型：学到一个好的分界线，直接把两类区分开 生成模型：学到两类各自的分布，当新的数据来的时候，看看属于哪个分布从而区分数据 判别模型与生成模型的对比 特点 判别模型 生成模型 )=P(X|Y)P(Y) 特点 反映异类差异；学习准确率更高；不需要数据分布的假设 反映同类的相似度；反映数据本身的特性；收敛更快，适合数据较小的情况 典型方法 逻辑回归、SVM 朴素贝叶斯、马尔科夫模型 、高斯混合模型
1.1K100发布于 2018-01-02 - 来自专栏Coggle数据科学
判别模型与生成模型
---- 判别模型与生成模型比较 判别模型： 优点： 1）仅需要有限的样本。节省计算资源，需要的样本数量也少于生成模型。 2）能清晰的分辨出多类或某一类与其他类之间的差异特征，准确率往往较生成模型高。 3）由于直接学习 ? 能力有限，可以告诉你的是1还是2，但没有办法把整个场景描述出来。 2）没有生成模型的优点。 3）黑盒操作: 变量间的关系不清楚，不可视。 2）生成模型收敛速度比较快，即当样本数量较多时，生成模型能更快地收敛于真实模型。 3）生成模型能够应付存在隐变量的情况，比如混合高斯模型就是含有隐变量的生成方法。 2）另外，实践中多数情况下判别模型效果更好。
1.2K30发布于 2019-08-29 - 来自专栏NLP算法工程师之路
生成模型和判别模型
生成模型可以产生数据，判别模型只能根据数据做判断。 生成模型的指导思想是贝叶斯，判别模型的指导思想是频率学派 生成模型 生成模型（Generaive Model）一般以概率的方式描述了数据的产生方式，通过对模型采样就可以产生数据。 一个简单例子：给定平面上一系列点，我可以认为这些点是根据一个二维高斯分布产生的，这就是一个生成模型，它可以产生数据。 判别模型 判别模型（Discriminative Model）对数据之间的映射关系建模，而不考虑数据本身是如何生成的。 ） 变分自动编码器 生成对抗性网络 判别模型 k-最近邻算法 逻辑回归 支持向量机 最大熵马尔可夫模型 条件随机场 神经网络
1.3K10发布于 2019-12-18 - 来自专栏数据科学和人工智能
深度生成模型
本次课将首先介绍生成模型的概念以及适用场景。进一步讲解基于能量的模型，包括受限玻尔兹曼机（RBM）和深度玻尔兹曼机等。它们既是早期的神经网络模型，也是经典的生成模型。 http://mpvideo.qpic.cn/0bf2r4aaaaaateahex3jnvpfbd6dachqaaaa.f10002.mp4? 2 基于能量的模型：玻尔兹曼机 3 变分自编码器 4 生成对抗网络（GAN） 1 生成模型介绍 下图展示了生成模型的分类。 2 基于能量的模型 2.1 基于能量的模型 基于能量的模型中常用的一个概率分布是玻尔兹曼分布，其概率密度函数形式如下。 其中 为能量函数， 为配分函数或归一化常数。 那么，目标函数的第1项和第2项都包含 ，所以要使用梯度上升（Gradient Ascent）算法，对这步都要求到。
1.3K10编辑于 2022-03-31 - 来自专栏J博士的博客
概率生成模型
对于一个分类问题，首先要有数据，然后需要找到一个模型f，定义loss function，最后找到表现最好的f的参数。 从概率上讲，分类问题其实就是根据训练数据估计新的数据属于哪一类的概率。 在讲概率生成模型前需要介绍高斯分布函数。 ? 输入是特征向量x，输出是x的概率，高斯函数的形状由均值和协方差矩阵决定。 ? ? 如何找高斯分布模型呢？——使用极大似然估计的方法。 ? ? 得到模型后就可以做分类了。 ? 可以设定阈值，比如大于0.5就属于某一类。 ? 因此需要改进模型，即两个高斯分布共享协方差矩阵，这样模型的参数就更少了。 ? ? 改正后的模型准确率提高到74%，有意思的是分类边界变成线性的了。 ? 可能最开始你就有疑问为什么要假定是高斯分布？ 在概率模型中通过计算均值、协方差矩阵等来得到模型参数， 所以直接从训练数据中得到线性模型的参数不更好吗？ ?
81430发布于 2020-03-12 - 来自专栏SIGAI学习与实践平台
理解生成模型与判别模型
导言 我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？不少书籍和技术文章对这对概念的解释是含糊的。 第一种定义 对于判别模型和生成模型有两种定义，第一种定义针对的是有监督学习的分类问题。 第一种做法称为生成模型。 一般来说，我们把使用第一种模型的分类器称为生成式分类器，把使用第二种和第三种模型的分类器称为判别式分类器。 第二种定义 除此之外，对生成模型和判别模型还有另外一种定义。 根据这种定义，生成模型可以用来根据标签值y生成随机的样本数据x。
1.4K30发布于 2018-10-18 - 来自专栏SIGAI学习与实践平台
理解生成模型与判别模型
1536738846贝叶斯-01.png 导言 我们都知道，对于有监督的机器学习中的分类问题，求解问题的算法可以分为生成模型与判别模型两种类型。但是，究竟什么是生成模型，什么是判别模型？ 第一种定义 对于判别模型和生成模型有两种定义，第一种定义针对的是有监督学习的分类问题。 第一种做法称为生成模型。 一般来说，我们把使用第一种模型的分类器称为生成式分类器，把使用第二种和第三种模型的分类器称为判别式分类器。 第二种定义 除此之外，对生成模型和判别模型还有另外一种定义。 根据这种定义，生成模型可以用来根据标签值y生成随机的样本数据x。
1.2K20发布于 2018-10-10 - 来自专栏大数据智能实战
基于gpt-2模型（117M预训练模型）的文本自动生成测试
openai的gpt-2模型最近在风口浪尖上。 Language Models are Unsupervised Multitask Learners论文已经出来，但是由于该模型没有将训练过程开源出来，所以本博客仅仅是针对已经公布的117M的预训练模型进行测试 找更大数量的无监督训练数据来执行多任务学习，使模型更具泛化能力。论文实验也证明了该模型具有惊人的效果。 该论文的模型大部分还是遵循GPT－1的模型，但有两点不同的是： （1）训练数据集更加庞大； （2）在第二阶段时候，无监督地做多样性的任务。 2、117M的实验测试 执行测试程序，效果如下： ? 其中任选一个例子，可以看到对话的自动生成效果，可读性还是非常好的。
1.4K30发布于 2019-05-26 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 通过使用贝叶斯规则可以从生成模型中得到条件分布。如果观察到的数据是完全由生成模型所生成的，那么就可以拟合生成模型的参数，从而仅可能的增加数据相似度。 优点： （1）实际上带的信息要比判别模型丰富； （2）研究单类问题比判别模型灵活性强； （3）模型可以通过增量学习得到； （4）能用于数据不完整（missing data）情况； （5）很容易将先验知识考虑进去 缺点： （1）不能反映训练数据本身的特性，即能力有限，可以告诉你的是1还是2，但没有办法把整个场景描述出来； （2）缺少生成模型的优点，即先验结构的不确定性； （3）黑盒操作，即变量间的关系不清楚，不可视
2.1K20发布于 2020-12-30 - 来自专栏烤包子
从GIS地图生成生成建筑模型
01截取要生成的地块 02PS处理要生成的地块 03inkscape生成SVG 04Blender导入SVG减面后再生成建筑体块 05最终效果
1.6K10发布于 2021-11-10 - 来自专栏自然语言处理
判别式模型(discriminative model)和生成模型（generative model）判别模型生成模型相关阅读
已知输入变量x，判别模型(discriminative model)通过求解条件概率分布P(y|x)或者直接计算y的值来预测y。 生成模型（generative model）通过对观测值和标注数据计算联合概率分布P(x,y)来达到判定估算y的目的。 判别模型 常见的判别模型有线性回归（Linear Regression）,逻辑回归（Logistic Regression）,支持向量机（SVM）, 传统神经网络（Traditional Neural Networks）,线性判别分析（Linear Discriminative Analysis），条件随机场（Conditional Random Field）； 生成模型 常见的生成模型有朴素贝叶斯（ 相关阅读 判别式模型 vs. 生成式模型 ?
1.2K80发布于 2018-07-04 - 来自专栏AI智韵
分形生成模型
基于这一概念，我们提出将生成模型本身抽象为一个模块，以开发更先进的生成模型。具体来说，我们介绍了一种通过在其内部递归调用同类生成模型而构建的生成模型。 它能够逐像素生成原始图像（图2），同时实现准确的似然估计和高质量的生成。我们希望我们这一有前景的结果能鼓励对分形生成模型的设计和应用的进一步研究，最终在生成建模领域建立一种新的范式。 2. 分形生成模型 分形生成模型背后的关键思想是从现有的原子生成模块递归地构建更高级的生成模型。在本节中，我们首先介绍分形生成模型背后的高层次动机和直觉。 我们的分形模型以逐像素的方式生成图像，按照深度优先的顺序通过分形架构，如图2所示。这里我们以MAR（Li等，2024）中的随机顺序生成方案为例。 5.1 似然估计 我们首先评估了我们的方法在无条件ImageNet 生成上的似然估计能力。为了检验我们分形框架的有效性，我们将框架与不同分形层数的似然估计性能进行了比较，如表2所示。
52410编辑于 2025-03-03
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号