- 综合排序
- 最热优先
- 最新优先
- 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 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 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 总之，判别式模型和生成式模型都是使后验概率最大化，判别式是直接对后验概率建模，而生成式模型通过贝叶斯定理这一“桥梁”使问题转化为求联合概率。4. 的文章 - 知乎 https://zhuanlan.zhihu.com/p/30941701【4】https://www.cnblogs.com/nolonely/p/6435213.html【5】https
90100编辑于 2023-08-17 - 来自专栏文本生成图像
文本生成图像工作简述4--扩散模型、自回归模型、生成对抗网络的对比调研
目前，各种各样的模型已经开发用于文本到图像的生成，模型主要可以分为三大类：扩散模型（Diffusion Model）、自回归模型（Autoregressive Model）、生成对抗网络模型（Generative 1.3、生成对抗网络模型（Generative Adversarial Networks）生成对抗网络包含一个生成模型和一个判别模型。 二、三种框架的对比2.1、图像质量在生成图像的质量上：扩散模型最好，自回归模型和生成对抗网络其次：模型名模型类型FID分数KNN-Diffusion扩散模型16.66Stable Diffusion扩散模型 生成对抗网络19.372.2、参数量在参数量的比较上，自回归模型和扩散模型参数量达到了十亿级别，属于自回归模型的Parti甚至达到了百亿级别的参数量，而生成对抗网络的模型参数量一般在千万级别，明显轻巧便捷 自回归模型60亿Parti自回归模型200亿DFGAN生成对抗网络0.19亿2.3、易扩展性在易扩展度的比较上，由于训练的计算成本小，且开源模型较多，生成对抗网络在文本生成图像的任务上仍然有很大的优势。
2.9K10编辑于 2024-04-21 - 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 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。 theoretic formulation Genomics and Bioinformatics Sequences represented as generative HMMs 【两者之间的关系】 由生成模型可以得到判别模型 ，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
97130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， 目标是实现分类 首先建立样本的联合概率分布，再利用模型进行推理预测。 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 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。4.可用于数据不完整的情况 劣势 1.不能反映训练数据本身的特性，只能用于类别识别。 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
生成模型 生成方法由数据学习输入和输出联合概率分布 ? ，然后求出后验概率分布 ? 作为预测的模型，即生成模型。这里以朴素贝叶斯为例，我们要求的目标可以通过： ? ---- 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）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。 4）研究单类问题比判别模型灵活性强 缺点： 1）联合分布能够提供更多的信息，但也需要更多的样本和更多计算，尤其是为了更准确估计类别条件分布，需要增加样本的数目，而且类别条件概率的许多信息是我们做分类用不到 ，但由判别模型得不到生成模型。
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 - 来自专栏机器之心
采样提速256倍，蒸馏扩散模型生成图像质量媲美教师模型，只需4步
去噪扩散概率模型（DDPM）在图像生成、音频合成、分子生成和似然估计领域都已经实现了 SOTA 性能。 然而，无分类器指导的一大关键局限是它的采样效率低下，需要对两个扩散模型评估数百次才能生成一个样本。这一局限阻碍了无分类指导模型在真实世界设置中的应用。 论文地址：https://arxiv.org/pdf/2210.03142.pdf 研究者在 ImageNet 64x64 和 CIFAR-10 上进行了实验，结果表明提出的蒸馏模型只需 4 步就能生成在视觉上与教师模型媲美的样本 他们探索了指导权重的不同范围，并观察到所有范围都具有可比性，因此实验采用 [w_min, w_max] = [0, 4]。 本文还探讨了如何修改指导强度 w 以影响性能，如下图 4 所示。 © THE END 转载请联系本公众号获得授权 投稿或寻求报道：content@jiqizhixin.com
1.1K30编辑于 2022-10-11 - 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? =0&mmversion=false 1 生成模型 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。 在学术界，关于生成模型的评价方式其实也比较不一致。什么是一个好的生成式模型？这是个很大的问题。现在是用极大似然函数来比较模型到底做的好不好。 还有一点，它与我们接下来要讲的GAN相比，生成的图像往往比较模糊，质量不是特别高。 4 生成对抗网络 接下来，我们讲解深度生成模型的典型代表：生成对抗网络（简称GAN）。
1.3K10编辑于 2022-03-31 - 来自专栏全栈程序员必看
java 生成xml dom4j_Java生成xml——DOM4J生成
一、四种方式的总结 【DOM】 DOM方式生成xml是基于DOM树的结构，整个DOM树会存在内存中，所以使用DOM方式可以频繁的修改xml的内容，但是因为DOM树是存在内存中的，所以对内存消耗较大。 【SAX】 SAX方式生成xml是逐步写 一、DOM4J生成实例 Dom4JToXmlDemo.java public class Dom4JToXmlDemo { public static void root = document.addElement(“bookstore”); //3、为根节点添加子节点book Element book = root.addElement(“book”); //4、 FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } } } 一、JDOM生成实例 Element root = new Element(“bookstore”);//2、创建Document对象，将根节点写入对象中Document document = new Do 运行结果： 输出dom4jToxml.xml
1.2K20编辑于 2022-09-15 - 来自专栏J博士的博客
概率生成模型
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？ ? 中国台湾大学 李宏毅 深度学习课程笔记：http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2017/Lecture/Classification.mp4
81430发布于 2020-03-12 - 来自专栏机器之心
CityDreamer4D: 下一个世界模型，何必是视频生成模型？
当前的世界模型大多依赖 Video Diffusion Models（视频扩散模型）强大的生成能力，在城市场景合成方面取得了令人瞩目的突破。 如果世界模型的终极目标是打造一个真实、可交互的虚拟城市，那么我们真的还需要依赖视频生成模型吗？ 它打破了视频扩散模型的固有瓶颈，不仅仅是 “合成” 城市影像，而是直接建模城市场景背后的运行规律，打造一个真正无边界、可自由探索的 4D 世界。 实验 与其他世界模型方案的对比：下方视频对比了 CityDreamer4D 与 DimensionX [2]（视频生成）、WonderJourney [3]（图像生成） 和 CityX [6]（程序化生成 CityDreamer4D 提供了一种原生 3D 的世界模型，为 4D 城市生成提供了全新的解决方案。
46610编辑于 2025-02-03 - 来自专栏机器之心
GPT-4+物理引擎加持扩散模型，生成视频逼真、连贯、合理
机器之心报道 编辑：赵阳 扩散模型的出现推动了文本生成视频技术的发展，但这类方法的计算成本通常不菲，并且往往难以制作连贯的物体运动视频。 GPT4Motion 结合了 GPT 等大型语言模型的规划能力、Blender 软件提供的物理模拟能力，以及扩散模型的文生图能力，旨在大幅提升视频合成的质量。 ，并封装成跨帧的连续运动，然后再将这些组件输入到扩散模型中，生成与文本 prompt 对齐的视频。 目前专注于文本生成视频的扩散模型很难通过训练获取这些复杂的物理知识，因此无法制作出符合物理特性的视频。 该研究采用扩散模型 XL（SDXL），一个扩散模型的升级版本，来完成生成任务，并且对 SDXL 做了以下修改： 物理运动约束 时间一致性约束 实验结果 控制物理特性 篮球的下落和碰撞。
61810编辑于 2023-11-27 - 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 优点： （1）分类边界更灵活，比使用纯概率方法或生产模型得到的更高级； （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； （3）在聚类、视角变化、部分遮挡、尺度改变等方面效果较好； （4）适用于较多类别的识别
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 - 来自专栏奔跑的人生
4. Swagger生成Javadoc
swagger2markup 使用MAVEN插件生成AsciiDoc文档 使用MAVEN插件生成HTML 下节预告 Swagger生成JavaDoc ---- 在日常的工作中，特别是现在前后端分离模式之下 --整合Swagger2--> <dependency> <groupId>com.spring4all</groupId> <artifactId com.liferunner.dto.UserRequestDTO对象，这个对象的属性如下： @RestController @RequestMapping(value = "/users") @Slf4j 生成结果如下： ? adoc文件生成好了，那么我们使用它来生成html吧 使用MAVEN插件生成HTML 在mscx-shop-api\pom.xml中加入以下依赖代码： <!
1.1K20发布于 2019-11-10
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