4. Index (GenerativeDeepLearning)
I. Introduction to Generative Deep Learning
1. Generative Modeling
2. Deep Learning
3. VAE
4. GAN
II. Teaching Machine to Paint, Write, Compose, and Play
5. Paint
6. Write
7. Compose
8. Play
9. The Future of Generative Modeling
10. Conclusion
5. Index (GenerativeDeepLearning)
I. Introduction to Generative Deep Learning
1. Generative Modeling
2. Deep Learning
3. VAE
4. GAN
II. Teaching Machine to Paint, Write, Compose, and Play
5. Paint
6. Write
7. Compose
8. Play
9. The Future of Generative Modeling
10. Conclusion
6. Index
- Chapter 1 Generative Modeling
- What Is Generative Modeling
- Probabilistic Generative Models
- The Challenges of Generative Modeling
- Setting Up Your Environment
- Summary
7. Index
- Chapter 1 Generative Modeling
- What Is Generative Modeling
- Probabilistic Generative Models
- The Challenges of Generative Modeling
- Setting Up Your Environment
- Summary
8. What Is Generative Modeling
- 生成モデルとは
- 確率モデルを使用して、データを生成する
- データセットに含まれていそうなデータを生成する
9. What Is Generative Modeling
- Training data を学習して新たな
画像を生成する
- Observation はいくつかの特徴
をもっている
- 学習したモデルにRandom
noise を入力することで
Generated sample を sampling
する
10. What Is Generative Modeling
- Training data をtraing して
Discriminative model を作成
- Training data の各 observation
は labelを持つ
- Discriminative model は 未知
の observation を入力として
Prediction を出力する
分類モデルとの比較
11. What Is Generative Modeling
数学的な表記からの比較
分類モデル - observation x が与えられたときの label y の条件確率
生成モデル
- observation x 自体の確率
- (確率分布 -> データセットの確率分布 )
- 条件 y が与えられたときの observation x の確率
12. Index
- Chapter 1 Generative Modeling
- What Is Generative Modeling
- Probabilistic Generative Models
- The Challenges of Generative Modeling
- Setting Up Your Environment
- Summary
13. Probabilistic Generative Models
- 用語の定義
1. Sample Space : 全ての Observation x を含む集合
2. Probability Density Function : 確率密度関数 p(x)
a. 観測されたデータセットの 真の確率密度関数 P_data
b. p_data を推定した確率密度関数 p_model
3. Parametric Modeling : パラメータによってモデルを決定する
4. Likelihood : 尤度
a. observation x が与えられたときの の尤度
30. Index
- Chapter 1 Generative Modeling
- What Is Generative Modeling
- Probabilistic Generative Models
- The Challenges of Generative Modeling
- Setting Up Your Environment
- Summary
31. The Challenges of Generative Modeling
- Representation Learning (表現学習)
- 高次元のサンプル空間のモデルを直接考えるのではなく、
学習データの各観測点を低次元空間 (潜在空間)を使って説明する
- 潜在空間からオリジナルの空間へ変換する mapping function を学習する
- mapping function を DeepLearning で決定する
32. The Challenges of Generative Modeling
- 円柱の画像の例
- 高さと幅が特徴となる画像データ
- 潜在空間から円柱を生成する
mapping function f を DL を利用して
学習する
33. The Challenges of Generative Modeling
- 円柱の画像の例
- 表現学習を使用する利点
- 画像の高次元の特徴量に影響を及ぼす、
管理しやすい低次元空間(潜在空間)
で操作を実行できる
- 高さと幅の変化の潜在空間 (2次元)を
作ることができれば、生成する画像を
潜在空間で探索できる
34. Index
- Chapter 1 Generative Modeling
- What Is Generative Modeling
- Probabilistic Generative Models
- The Challenges of Generative Modeling
- Setting Up Your Environment
- Summary