One Forth

课程主题

生成模型

概率建模、表征与生成。

01

课程章节

按难度与先修关系排列

  1. 01难度 4/5自回归模型、似然与采样按固定顺序把联合分布分解为条件概率乘积，以精确似然训练并逐步采样。先修：长序列、效率与 Transformer 综合复习 · 条件概率与独立性约 105 分钟
  2. 02难度 5/5生成对抗学习让生成器和判别器进行极小极大优化，以隐式生成过程逼近数据分布并处理模式崩溃。先修：损失函数 · 约束优化、KKT 条件与对偶性 · 神经网络与反向传播综合复习约 120 分钟
  3. 03难度 5/5得分匹配与扩散模型通过逐步加噪和反向去噪学习数据对数密度梯度，并以数值采样生成样本。先修：常微分方程与动力系统综合复习 · 神经网络与反向传播综合复习约 120 分钟
  4. 04难度 5/5变分自编码器用可学习近似后验和重参数化梯度优化证据下界，形成连续潜在空间。起点章节约 120 分钟
  5. 05难度 5/5归一化流用可逆变换和 Jacobian 行列式把简单密度映射为复杂密度，同时保留精确似然。先修：行列式约 120 分钟
  6. 06难度 5/5生成模型综合复习比较自回归、变分、对抗、可逆流和扩散方法的似然、样本覆盖、计算代价与评价偏差。先修：自回归模型、似然与采样 · 变分自编码器 · 生成对抗学习 · 归一化流 · 得分匹配与扩散模型约 120 分钟