- 综合排序
- 最热优先
- 最新优先
- 来自专栏卡尼慕
Generative Adversarial Networks
Generative Adversarial Networks 上一篇讲述了VAEs（变分自编码器），那么这次继续学习一下另一个生成模型——GANs。
72060发布于 2019-10-09 - 来自专栏书山有路勤为径
Generative Adversarial Network
这里我们将建立 一个对抗生成网络 （GAN）训练MNIST,并在最后生成新的手写数字。
52920发布于 2018-08-29 - 来自专栏CreateAMind
Unsupervised learning and generative models
来自deepmind大神的演讲，https://www.youtube.com/watch?v=H4VGSYGvJiA，首先是五种对于数据分布的操作，非常有借鉴意义，总结的很棒，高屋建瓴。比如Iden
41840发布于 2019-10-16 - 来自专栏机器学习和数学
Conditional Generative Adversarial Nets
Conditional generative adversarial nets. Computer Science, 2672-2680.
1.3K50发布于 2018-04-11 - 来自专栏VoiceVista语音智能
Sensorys Take on Generative AI
The new generative AI search will eventually combine the best of traditional search with generative AI
36910编辑于 2023-03-02 - 来自专栏产品经理的人工智能学习库
产生式模型（Generative model）
在概率统计理论中， 生成模型是指能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成模型可以用来直接对数据建模（例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。
1.5K50发布于 2019-12-18 - 来自专栏MySQL解决方案工程师
OCI的Generative AI Service
OCI（Oracle Cloud Infrastructure）提供的Generative AI Service是完全管理的服务，提供一组可定制的LLM、用户可以通过一个API构建生成式AI应用程序。 Generative AI Service用于大规模地理解、生成和处理人类语言。例如，生成文本、摘要、数据提取、分类、对话等等。 OCI Generative AI Service使用T-Few fine tuning进行快速高效的定制。 OCI Generative AI Service的微调工作流程 OCI Generative AI Service的推理工作流程 专用AI集群 专用AI集群是基于GPU的计算资源，用于托管用户的微调和推理的工作负载 OCI Generative AI Service建立一个专用AI集群，包括专用的GPU和专用的RDMA集群网络用以连接这些GPU。GPU被分配用户的生成式AI服务后将与其他的GPU隔离。
30510编辑于 2024-06-14 - 来自专栏VoiceVista语音智能
Generative AI: A Creative New World
- Generative AI - A powerful new class of large language models is making it possible for machines Generative AI is well on the way to becoming not just faster and cheaper, but better in some cases than Therefore, Generative AI has the potential to generate trillions of dollars of economic value. However, they are not expressive enough for general-purpose generative tasks. Despite these limitations, the earliest Generative AI applications begin to enter the fray.
81720编辑于 2023-03-03 - 来自专栏机器学习、深度学习
GAN人脸修复--Generative Face Completion
Generative Face Completion CVPR 2017 https://arxiv.org/abs/1704.05838 Code: https://github.com/Yijunmaverick
1.9K41发布于 2019-05-26 - 来自专栏null的专栏
GPT：Generative Pre-Training
Generative Pre-Training（GPT）[2]也是在2018年提出的实现对多义词建模的语义模型，与ELMo相同的是，在GPT中，也是采用了两阶段的过程，第一阶段是利用无监督的方式对语言模型进行预训练 Improving language understanding by generative pre-training[J]. 2018.
1.1K30编辑于 2022-05-12 - 来自专栏hotarugaliの技术分享
2014-NIPS-Generative Adversarial Nets
image.png image.png
26010编辑于 2022-05-11 - 来自专栏CreateAMind
终身生成建模 Lifelong Generative Modeling
Lifelong Generative Modeling 终身生成建模 https://arxiv.org/pdf/1705.09847 摘要 终身学习（Lifelong learning）是指按顺序连续学习多个任务的问题 最近，在分类任务中出现了一些试图摆脱存储过去训练数据需求的方法，它们依赖于生成建模 [112, 57]；我们将这类方法称为深度生成回放 （Deep Generative Replay, DGR）方法。 我们从生物学习者的记忆巩固机制中获得启发，提出了我们的终身生成建模 （Lifelong Generative Modeling, LGM）模型。 学生模型和教师模型都是同一基础生成模型的具体实现，但在整个学习过程中扮演着不同的角色： 教师模型 ：作为之前所学部分的概率知识库，他通过生成回放（generative replay)和函数正则化（functional
4210编辑于 2026-03-11 - 来自专栏深度学习
【论文复现】Conditional Generative Adversarial Nets（CGAN）
GAN基础理论 具体内容详见：【论文复现】Generative Adversarial Nets（GAN基础理论） 2.1 算法来源 作者：Mehdi Mirza, Simon Osindero 摘要 ： Generative Adversarial Nets were recently introduced as a novel way to train generative models. In this work we introduce the conditional version of generative adversarial nets, which can be constructed
69810编辑于 2024-07-30 - 来自专栏计算机视觉理论及其实现
生成对抗网络(Generative Adversarial Networks)
传统的生成指的是生成图像数据，生成有两种策略，一种是直接估计概率密度函数，机器学习模型分为两类一类是判别式模型，一类是生成式模型，生成模型是基于联合概率，判别性模型基于条件概率，生成式模型判别的是一种共生关系，判别式判别的是一种因果关系。知己估计概率密度函数生成的是概率密度函数或者概率密度函数的参数。另一种是绕开直接估计概率密度函数，直接学习数据样本生成的过程，里面没有显式函数的学习。第一种方式比较直观，但有的情况下直接生成数据样本更合适，可以避开显式概率密度函数的估计和设计，直接达到目的。
14.1K30编辑于 2022-09-03 详解Generative Pre-trained Transformer（简称GPT）
Generative Pre-trained Transformer（简称GPT）是一种基于人工智能技术的自然语言处理模型，它通过大规模语料库的预训练，学习语言的统计规律，并能够生成连贯、自然的文本。
1.7K10编辑于 2025-04-05- 来自专栏Elastic Stack专栏
Traditional AI vs. generative AI: IT 领袖指南
什么是 generative AI？Generative AI 是一种能够生成内容的人工智能。它在庞大的数据集上训练，通过学习数据中的模式和关系来生成新的、原创的内容，从而模拟人类创造力。 因此，generative AI 不仅超越了传统 AI 的能力，还极大地加速了创新的可能性。传统 AI 与 generative AI 的关键差异两者在能力、应用场景以及学习方式上均存在明显差异。 能力传统 AI 模型相对僵化，而 generative AI 模型更能适应新问题。 Generative AI 的典型案例由于 generative AI 提供了更直观的数据交互方式，全球企业纷纷采用它来提升生产力、效率与员工体验。 传统 AI 遵循预设规则，而 generative AI 可生成原创内容，更适合创意场景。 数据需求：Generative AI 需要海量数据与强算力；传统 AI 则可在较小的结构化数据集上运行。
42710编辑于 2025-09-13 - 来自专栏计算机视觉理论及其实现
SinGAN: Learning a Generative Model from a Single Natural Image
我们介绍了SinGAN，这是一个无条件的生成模型，可以从单一的自然图像中学习。我们的模型经过训练，可以捕捉到图像中斑块的内部分布，然后能够生成高质量的、多样化的样本，这些样本承载着与图像相同的视觉内容。SinGAN包含一个完全卷积GAN的金字塔，每个负责学习图像不同比例的斑块分布。这允许生成任意大小和长宽比的新样本，这些样本具有显著的可变性，但同时保持训练图像的全局结构和精细纹理。与以前的单一图像GAN方案相比，我们的方法不限于纹理图像，也不是有条件的（即它从噪声中生成样本）。用户研究证实，生成的样本通常被混淆为真实的图像。我们说明了SinGAN在广泛的图像处理任务中的效用。
64150编辑于 2023-10-07 - 来自专栏计算机视觉理论及其实现
Generative Modeling for Small-Data Object Detection
本文探讨了小数据模式下的目标检测，由于数据稀有和注释费用的原因，只有有限数量的注释边界框可用。这是当今的一个常见挑战，因为机器学习被应用于许多新任务，在这些任务中，获得训练数据更具挑战性，例如在医生一生中有时只看到一次罕见疾病的医学图像中。在这项工作中，我们从生成建模的角度探讨了这个问题，方法是学习生成具有相关边界框的新图像，并将其用于训练目标检测器。我们表明，简单地训练先前提出的生成模型并不能产生令人满意的性能，因为它们是为了图像真实性而不是目标检测精度而优化的。为此，我们开发了一种具有新型展开机制的新模型，该机制联合优化生成模型和检测器，以使生成的图像提高检测器的性能。 我们表明，该方法在疾病检测和小数据行人检测这两个具有挑战性的数据集上优于现有技术，将NIH胸部X射线的平均精度提高了20%，定位精度提高了50%。
45620编辑于 2023-10-07 - 来自专栏技术圈
GPT : Improving Language Understanding by Generative Pre-Training
版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
2.5K30发布于 2019-08-22 - 来自专栏计算机视觉理论及其实现
Robust Data Augmentation Generative Adversarial Networkfor Object Detection
基于生成对抗性网络（GAN）的数据扩充用于提高目标检测模型的性能。它包括两个阶段：训练GAN生成器以学习小目标数据集的分布，以及从训练的生成器中采样数据以提高模型性能。在本文中，我们提出了一种流程化的模型，称为鲁棒数据增强GAN（RDAGAN），旨在增强用于目标检测的小型数据集。首先，将干净的图像和包含来自不同域的图像的小数据集输入RDAGAN，然后RDAGAN生成与输入数据集中的图像相似的图像。然后，将图像生成任务划分为两个网络：目标生成网络和图像翻译网络。目标生成网络生成位于输入数据集的边界框内的目标的图像，并且图像转换网络将这些图像与干净的图像合并。 定量实验证实，生成的图像提高了YOLOv5模型的火灾检测性能。对比评价表明，RDAGAN能够保持输入图像的背景信息，定位目标生成位置。此外，消融研究表明，RDAGAN中包括的所有组件和物体都发挥着关键作用。
70920编辑于 2023-10-07
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