汇总:入门与实战
Posted 沉迷单车的追风少年
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了汇总:入门与实战相关的知识,希望对你有一定的参考价值。
1、Diffusion Models扩散模型与深度学习(附Python示例)
这篇文章适合小白入门看,能快速了解diffusion models背后的物理背景、数学推导、核心思想、代码实现。
2、击败GANs的新生成式模型:score-based model(diffusion model)原理、网络结构、应用、代码、实验、展望
这篇文章适合小白入门,在上一篇文章的基础上,更加深入讨论:
- 会不会是下一个GANs?能否解决目前GANs遇到的问题?
- 和现有的生成式模型相比有哪些优点?哪些缺点?
- 目前的网络结构是怎样?
- 如何用代码实现?
- 常用的数据集有哪些?
- 常用的评价指标有哪些?
- 能应用到哪些领域?
- 遇到了哪些问题?
- 发展的瓶颈有哪些?
- 未来的发展会怎样?
3、为什么Diffusion Models扩散模型可以称为Score-based Models?
近两年diffusion models野蛮生长,出现了很多不同的命名方式:denoising diffusion probabilistic models、score-based generative models、generative diffusion processes、energy-based models (EBMs)等,其实他们核心思想都是一样的,这篇文章通过讨论diffusion models为什么可以称为分数匹配模型,能更深入理解扩散模型。
4、条件DDPM:Diffusion model的第三个巅峰之作
DDPM2020年诞生,短短一年的时间,模型上有两个巨大的改进,其中一个就是condition的引入,最近大部分DDPM相关的论文都会讨论这一点,有些文章称之为latent variable。和当年GAN的发展类似,CGAN和DCGAN的出现极大程度上促进了GAN的发扬光大,意义重大。
5、从VAE到Diffusion Models
前面几篇文章更多的在思考GAN和diffusion model之间的关系,VAE作为最经典的生成模型之一,本文从VAE出发,聊一聊VAE和diffusion model之间的爱恨情仇。
6、DiffuseVAE:完美结合VAE和Diffusion Models
生成式模型的根本任务是捕捉底层的数据分布,并学习以无监督的方式从数据的显式/隐式分布中生成新的样本。本文介绍DDPM最新的研究成果DiffuseVAE,解决低维潜在空间上生成样本质量差、采样速度慢等问题。
7、为什么Diffusion Models钟爱U-net结构?
通过前面的文章介绍,大家应该已经基本了解扩散模型的特点,细心的读者会有疑问,为什么现在绝大部分的diffusion models都是U-net结构呢?这个发源于医疗分割的网络结构,为何广受备受diffusion models生成式的喜爱呢?
8、使用DDPM实现三维点云重建
本文重点讨论点云三维重建的相关原理、应用、特殊的处理方法、与传统的DDPM的区别和联系。
以上是关于汇总:入门与实战的主要内容,如果未能解决你的问题,请参考以下文章
Text-to-Image with Diffusion models的巅峰之作:深入解读 DALL·E 2
《自然语言处理实战入门》深度学习基础 ---- attention 注意力机制 ,Transformer 深度解析与学习材料汇总
《自然语言处理实战入门》深度学习基础 ---- attention 注意力机制 ,Transformer 深度解析与学习材料汇总