- 综合排序
- 最热优先
- 最新优先
- 来自专栏量子位
2022生成模型进展有多快？新论文盘点9类生成模型代表作
但别忘了，AI生成模型可不止ChatGPT一个，光是基于文本输入的就有7种—— 图像、视频、代码、3D模型、音频、文本、科学知识…… 尤其2022年，效果好的AI生成模型层出不穷，又以OpenAI、Meta 这不，立刻有学者写了篇论文，对2022年新出现的主流生成模型进行了年终盘点。 一起来看看这两年间，各领域的AI生成模型进展究竟怎么样了。 9大生成模型，最新代表作是？ 这篇论文将AI生成模型分成了9大类。 下图是2022年前后，在生成效果上达到最优的模型总览： 除了谷歌LaMDA和Muse以外，所有模型均为2022年发布。 其他生成模型 主要包括Alphatensor、GATO、PhysDiff等“其他生成模型”。 PhysDiff是英伟达推出的人体运动生成扩散模型，进一步解决了AI人体生成中漂浮、脚滑或穿模等问题，教会AI模仿使用物理模拟器生成的运行模型，并在大规模人体运动数据集上达到了最先进的效果。
72710编辑于 2023-02-28 - 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。 1.3 两个模型的小结不管是生成式模型还是判别式模型，它们最终的判断依据都是条件概率P(y|x)，但是生成式模型先计算了联合概率P(x,y)，再由贝叶斯公式计算得到条件概率。 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. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。 生成式模型的学习收敛速度更快，当样本容量增加时，学习到的模型可以更快的收敛到真实模型，当存在隐变量时，依旧可以用生成式模型，此时判别式方法就不行了。
90100编辑于 2023-08-17 - 来自专栏Python与算法之美
9，模型的评估
二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? DummyClassifier 实现了几种简单的分类策略: stratified 通过在训练集类分布方面来生成随机预测. most_frequent 总是预测训练集中最常见的标签. prior 类似most_frequenct 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
96631发布于 2020-07-17 - 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 - 来自专栏新智元
一文看尽SOTA生成式模型：9大类别21个模型全回顾！
过去的两年时间里，AI界的大型生成模型发布呈井喷之势，尤其是Stable Diffusion开源和ChatGPT开放接口后，更加激发了业界对生成式模型的热情。 2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 论文链接：https://arxiv.org/abs/2301.04655 生成式AI分类 模型可以按照输入和输出的数据类型进行分类，目前主要包括9类。 Diffusion，Muse Text-to-3D模型 对于某些行业，仅能生成2D图像还无法完成自动化，比如游戏领域就需要生成3D模型。 目前GATO大约有1.2B个参数，可以实时控制现实世界机器人的模型规模。 其他已发表的生成性人工智能模型包括生成human motion等。
84330编辑于 2023-02-24 - 来自专栏数据派THU
一文看尽SOTA生成式模型：9大类别21个模型全回顾！
来源：新智元 极市平台本文约3800字，建议阅读5分钟本文总结了2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 过去的两年时间里，AI界的大型生成模型发布呈井喷之势，尤其是Stable Diffusion开源和ChatGPT开放接口后，更加激发了业界对生成式模型的热情。 最近，来自西班牙科米利亚斯主教大学的研究人员全面回顾了各个领域内AI的最新进展，将生成式模型按照任务模态、领域分为了九大类，并总结了2022年发布的21个生成式模型，一次看明白生成式模型的发展脉络！ 论文链接：https://arxiv.org/abs/2301.04655 生成式AI分类 模型可以按照输入和输出的数据类型进行分类，目前主要包括9类。 其他的模型还包括Imagen，Stable Diffusion，Muse Text-to-3D模型 对于某些行业，仅能生成2D图像还无法完成自动化，比如游戏领域就需要生成3D模型。
1.8K30编辑于 2023-03-29 - 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 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
概述 监督学习方法可以分为生成方法(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) 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。 ，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。 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。 其中基于极大似然的生成模型分为概率密度和有隐式概率密度两种。还可以进一步对这些模型进行划分。本次课程讲解其中的一部分，例如玻尔兹曼机、VAE还有GAN等。 生成模型能够从训练集中学习数据分布。 然后根据 采样，来生成下图右边所示的图像。在这个例子中，生成模型主要做的事情是抓住手写数字图像的结构，以生成的类似的图像。 生成模型在很多领域都有着重要的应用。 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。
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C/C++基础
rand1 生成 rand9
给定一个函数 rand1 会 50% 的概率输出 0 和 1，请利用 rand1 实现 rand9，等概率地输出 0~9 这 10 个数字。 2.难度级别 难度应该是 middle。 我们用程序生成一下四次 0 和 1 产生的组合数： 0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 所以该问题解法是拒绝采样法：调用 4 次 rand1，生成 4 位的二进制数，然后再转换成 10 进制数，如果这个数大于 9，再重新生成即可。 4.实现示例 下面使用 Golang 给出实现示例。 func rand1() int { return rand.Intn(2) } 再根据 rand1 实现 rand9： // rand9 等概率输出 0 ~ 9。 n } } } rand9 输出示例： 1 4 8 6 9 3 2 2 8 5 ---- 参考文献 已知f(x) 传入的值 等概率 输出0 or 1，如果写一个f1(x）实现等概率输出0-9？
75510编辑于 2022-09-08 - 来自专栏信数据得永生
生成对抗网络项目：6~9
对抗模型 要创建对抗模型，请同时使用生成器网络和判别器网络，并创建一个新的 Keras 模型。 我们将使用四个模型：生成器模型，判别器模型，压缩文本嵌入的压缩器模型以及同时包含生成器和判别器的对抗模型： 首先定义训练所需的优化器： dis_optimizer = Adam(lr=stage1_discriminator_lr 这是生成器模型和判别器模型的组合。 /-/raw/master/docs/gan-proj/img/030151f2-b1cf-4a2a-9d44-d55bc65f9c7c.png)] 由 StackGAN 网络的第一阶段和第二阶段生成的图像 接下来，训练对抗模型。 对抗性模型将训练生成器网络，但冻结判别器网络的训练。
1.5K20编辑于 2023-04-24 - 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。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 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。 ； （5）判别模型的性能比生成模型要简单，比较容易学习。
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
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