欢迎光临888集团网站

新闻资讯
8 GAN七个不容易被发现的生成对抗网络(GAN)用例;案例详解聚类、回归、分类算法docx
发布时间:2026-10-01
  |  
阅读量:
字号:
A+ A- A

  8 GAN七个不容易被发现的生成对抗网络(GAN)用例;案例详解聚类、回归、分类算法.docx

  8 GAN七个不容易被发现的生成对抗网络(GAN)用例;案例详解聚类、回归、分类算法.docx

  【GAN】七个不简约被发觉的生成对抗网络(GAN)用例;案例详解聚类、回归、分类算法 2018-12-10 原文 像很多跟随AI进展的人一样,我无法忽视生成建模的最新进展,尤其是图像生成中生成对抗网络(GAN)的巨大成功。看看下面这些样本:它们与真实照片几乎没有区分! 从2014年到2018年,面部生成的进展也格外显着。 这些结果让我感到兴奋,但我内心总是怀疑它们能否真的有用且广泛适用。基本上我“怀疑”,凭仗生成模型的全部功能,我们并没有真正将它们用于比高辨别率面部表情生成这些更有用的东西。当然,有些企业可以直接基于图像生成或风格转移(如玩耍行业中的角色生成或关卡生成,从真实照片到动漫头像的风格转换),但我一直在查找GAN和其他生成方式更多领域模型的使用。我想通过生成模型,我们不只可以生成图像,还可以生成文本、声音、音乐、结构化数据,如玩耍关卡或药物分子。 使用RNN生成玩耍人物 在本文中,我将引见7个用例。其中一些我已经亲身确认它们的用途,其他一些正在争辩中,但这并不意味着它们不值得尝试。全部这些使用生成模型创建的例子都可以使用于不同的领域,由于我们的次要目标不是生成一些现实的东西,而是利用神经网络的内在学问来完成新任务。 1.数据添加 最明显的使用是训练模型:从我们的数据生成新样本以添加我们的数据集。我们如何检查这种添加能否真的有挂念呢?有两个次要策略:我们可以在“假”数据上训练我们的模型,并检查它在真实样本上的表现。对应的我们在实际数据上训练我们的模型来做一些分类任务,并且检查它对生成的数据的执行情况。假如它在两种情况下都能正常工作,你可以任凭将生成模型中的样本添加到你的实际数据中并再次重新训练,你该当期望获得功能。 NVIDIA呈现了这种方法的惊人实例:他们使用GAN来添加具有不同疾病的医学脑CT图像的数据集,并且表明仅使用经典数据的分类功能是78.6%的灵敏度和88.4%的特异性。通过添加合成数据添加,可以添加到85.7%的灵敏度和92.4%的特异性。 /pdf/1803.01229.pdf 2.隐私爱护 很多公司的数据可能是隐秘的,敏感的(包含患者诊断的医疗数据),但有时我们需要与顾问或争辩人员等第三方共享。假如我们只想共享关于我们的数据的一般信息,包括最重要的模式,对象的细节和外形,我们可以使用生成模型来抽样我们的数据示例以与其他人共享。这样我们就不会共享任何精确?????的机密数据,只是看起来完全像它的东西。 更困难的情况是我们想要隐秘共享数据。当然,我们有不同的加密方案,犹如态加密,但它们有已知的缺点,例如在10GB代码中隐蔽1MB信息。2016年,谷歌开辟了一条关于使用GAN竞争框架加密问题的新争辩路径,其中两个网络必需竞争创建代码并破解它: 但最好的结果不是获得的代码效率,我们该当记住,通过神经网络获得的表示通常包含有关输入数据的最有用的信息,并且从这个压缩数据我们仍旧可以进行分类/回归/聚类。假如我们将“压缩”替换为“加密”,那么这个想法很明确:这是与第三方共享数据而不显示任何数据集的惊人方式。它比匿名甚至假样本生成强得多,可能是下一件大事(当然使用区块链) 3.特别检测 变分自动编码器(VAE)或GAN等次要生成模型由两部分组成。VAE具有编码器和解码器,其中第一个对分布进行建模,其次个重建。GAN由生成器和鉴别器组成,第一个模仿分布,其次个推断它能否接近训练数据。我们可以看到,它们在某种程度上格外相像:有建模和推断部分(在VAE中我们可以考虑将重建视为某种推断),建模部分该当学习数据分布。假如我们将一些不是来自训练样本分发,那么推断部分将会发生什么?训练有素的GAN鉴别器会告知我们0,并且VAE的重建误差将高于训练数据的平均值。这就是我们接下来要说的:无监督特别探测器,它易于训练和评估。在本文中你可以找到例子是用于特别检测,这里可以找到自动编码的。我还添加了本人的基于自动编码器的粗略草图——用于在Keras中编写的时间序列。 4.判别性建模 深度学习所做的一切都是将输入数据映射到某个空间,在这个空间中,通过SVM或规律回归等简约的数学模型可以更简约地分别或解释。生成模型也有本人的映射,我们从VAE开头。Autoencoders将输入样本映射到一些有意义的潜在空间,基本上我们可以直接训练一些模型。它有意义吗?它能否与仅使用编码器层和训练模型直接进行分类有所不同?的确是。自动编码器的潜在空间是简单的非线性降维,并且在变分自动编码器的情况下也是多变量分布,这可以比一些随机初始化更好地开头训练判别模型。 GAN对于其他任务来说有点难度。它们被设计为从随机种子生成样本,并且不期望任何输入。但我们仍旧可以至少以两种方式利用它们作为分类器,第一个已经争辩过的,就是利用鉴别器将生成的样本分类到不同的类别,同时只是告知它是真的还是假的。我们可以期望从获得的分类器更好地规章化(由于它已经看到不同类型的噪声和输入数据的扰动)并且具有用于特别值/特别的额外类: 5.域迁移(Domain adaptation) 我认为,这是最强大的用途之一。在实践中,我们几乎从未拥有相同的数据源来训练模型并在现实世界环境中运转它们。在计算机视觉中,不同的光线条件、相机设置或天气可以使格外精确?????的模型变得无用。在NLP/语音分析中,俚语或重音会破坏你在“语法正确”上训练的模型的表现。在信号处理中,你很可能拥有完全不同的设备来捕获数据以训练模型和生产。我们晓得机器学习模型执行是从一个条件到另一个条件的映射,保留次要内容,但要更改细节。 例如,假如你正在处理该当在某种CCTV摄像机上工作的使用程序,但是你已经在高辨别率图像上训练了你的模型,那么你可以尝试使用GAN来对图像进行去噪处理并对其进行添加。我可以从信号处理领域供应更激进的例子:有很多与手机加速度计数据相关的数据集,描述了不同的人的活动。但是,假如你想在腕带上使用受过手机数据训练的模型,该怎样办?GAN可以尝试挂念你还原不同类型的动作。一般来说,生成模型不是从噪声中进行生成,而是一些预定义的先验模型可以挂念你进行域迁移,协方差转换以及与数据差异相关的其他问题。 6.数据处理 我们在前一段谈到了风格转移。我不宠爱的是它的映射函数适用于整个输入,假如我只想换一些照片的鼻子怎样办?或转变汽车的颜色?或者在不完全转变的情况下替换演讲中的某些单词?假如我们想要这样做,那么我们的对象就需用一些无限的因子来描述,例如,脸是眼睛,鼻子,头发,嘴唇等的组合,这些要素有它们本人的属性如颜色、大小等。假如我们可以将带有照片的像素映射到某些…我们可以调整这些要素并使鼻子更大或更小?有一些数学概念允许它:多样性假设,对我们来说好消息是,自动编码器可能实现。 7.对抗训练(Adversarial training) 你可能不同意我添加关于机器学习模型攻击的文字,但它对生成模型(对抗性攻击算法的确格外简约)和对抗性算法影响很大。或许你生疏对抗性例子的概念:模型输入中的小扰动(甚至可能是图像中的一个像素)导致完全错误的功能。其中一个最基本的方法叫做对抗性训练:基本上是利用对抗性的例子来构建更精确?????的模型。 假如不深化细节,这意味着我们需要双人玩耍:对抗模型需要最大化其影响力,并且存在需要最小化其损失的分类模型。看起来很像GAN,但出于不同的目的:使模型对对抗性攻击更稳定,并通过某种智能数据添加和正轨化提高其功能。 小贴士 在本文中,我们已经引见了几个例子,说明GAN和其他一些生成模型如何用于生成秀丽的图像,旋律或短文本。当然,他们的次要长期目标是生成以正确情况为条件的真实世界对象,但今日我们可以利用他们的分布建模和学习有用的表示来改进我们当前的AI、爱护我们的数据、发觉特别或顺应更多现实世界的案例。我期望你会发觉它们很有用,并将适用于你的项目。 文章原标题《gans-beyond-generation-7-alternative-use-cases》 作者:Alexandr Honchar 轻松看懂机器学习!3个案例详解聚类、回归、分类算法 机器学习,一言以蔽之就是人类定义肯定的计算机算法,让计算机依据输入的样本和一些人类的干涉来总结和归纳其特征和特点,并用这些特征和特点和肯定的学习目标构成映射关系,进而自动化地做出相应反应的过程。 这个反应可能是做出相应的标记或推断,也可能是输出一段内容——图片、程序代码、文本、声音,而机器本人学到的内容我们可以描述为一个函数、一段程序、一组策略等相对简单的关系描述。 算法这种东西在最后消灭的时候是一种确定性的机器指令执行序列,也就是说,机器需要怎样做早就在程序一开头就设定好。虽然说在程序执行的过程中可以依靠无限的参数对程序执行过程所涉及的对象,执行次数,执行分支条件等进行设定,但是基本行为规律已经大抵确定。 在这个过程中,机器——计算机是格外被动的,它老狡猾实地严格执行程序员赐予它们的指令执行序列,没有任何“学习”的行为。这也没方法,由于最开头的图灵机模型在设计的时候就是期望计算机以这种方式。 机器学习从学习的品种来说,最常见的我们习惯分作两种: 一种叫“无监督学习”(Unsupervised Learning) 一种叫“有监督学习”(Supervised Learning) 所谓“无监督学习”,是指人们在获得训练的向量数据后在没有标签的情况下尝试找出其内部包含关系的一种挖掘工作,这个过程中使用者除了可能要设置一些必要的“超参数”(Hyper-parameter)以外不用对这些样本做任何的标记甚至是过程干涉;“有监督学习”与此不同,每一个样本都有着明确的标签,最终我们只是要总结出这些训练样本向量与标签的映射关系。 所以在这两种方式下,处理的规律有很大的区分,对于初学的伴侣需要格外留意。 一、 聚类 聚类——英文为Clustering,它就是我们说的典型的“无监督学习”的一种,就是把物理对象或笼统对象的集合分组为由彼此类似的对象组成的多个类的分析过程。 聚类这种行为我们不要觉得很奇特,也不要觉得这个东西是机器学习所独有的,恰恰相反,聚类的行为本源还是人本身。我们学习的全部的数据挖掘或者机器学习的算法或者思想的来源都是人类本人的思考方式,只不过我们把它教给机器让它们代劳,让他们成为我们肢体和力量的延长而不是让他们替我们做制造和思考。 聚类是一种什么现象呢?我们人类在生疏客观世界的过程中其实一直遇到容量性的问题,我们遇到的每一棵树、每一朵花、每一只昆虫、每一头动物、每一个人、每一栋建筑……每个个体之间其实都不同,有的差距还相当大。那么我们人在认知和记忆这些客观事物的过程中就会特别苦痛,由于量实在是大到无法承受的地步。 因此人类才会在“自底向上”的生疏世界的过程中“偷懒”性地选择了归纳归类的方式,留意“偷懒”的这种方式是人类与生俱来的方法。 我们在小时候被父母用看图说话的方式来教咿呀学语的时候就有过类似的体会了,图片上画了一只猴子,于是我们就生疏了,这是一只猴子;图片上画了一辆汽车,于是我们就了解了,这是一辆汽车…… 等我们上街或者去动物园的时候再看,猴子也不是画上的猴子,而且众多猴子之间也长得各式各样,每个都不同,我们会把它们当成一个一个的新事物去生疏吗?我们看汽车也同样,大小,颜色,样式,甚至是喇叭的声音也是五花八门五花八门,它们在我们眼里是一个个新的事物吗?不,它们都还是汽车。 这些事物之间的确有所不同,但是它们对我们的认知带来了很大的困扰吗?并没有。我们无论如何是不会把猴子和汽车当成一类事物去认知的,猴子彼此之间是不同,但是体格、毛发、行为举止,种种外形让我们认为这些不同品种的猴子都还是猴子一个大类的动物,别说是和汽车混为一谈,就是跟狗、马匹、熊这些脊椎动物我们也能轻易地分开。 人类天生具备这种归纳和总结的力量,能够把认知的事物相像地放到一起来作为一类事物做生疏,它们之间可以有彼此的不同,但是有一个我们心里的“限度”,只需在这个限度内,特征稍有区分无关大碍,它们仍旧还是这一类事物。 在这一类事物的内部,同样有这种现象,一部分个体之间比较相近,而另一部分个体之间比较相近,这两部分个体彼此之间我们人还是能够明显认知到差别,那么这个部分的事物又会在大类别的内部重新划分成两个不同的部分进行认知。比如汽车直观从样子上可以分成小轿车、卡车、面包车等品种,虫子们也被人轻易地从外型上区分为飞虫、爬虫、毛毛虫…… 在没有人特意教给我们不同小种群的称谓与特性之前,我们自然具备的这种由我们客观的认知力量,以特征外形的相同或近似将它们划在一个概念下,特征外形的不同划在不同的概念下,这本身就是聚类的思维方式。 比较常用的聚类算法有K-Means、DBSCAN等几种,基本思路都是利用每个向量之间的“距离”——这里指的是空间中的欧氏距离或者曼哈顿距离。从远近来进行彼此能否更适于从属与同一类别来做的分类推断。 假如有三个1维样本,一个180,一个179,一个150,这三个向

  2、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。

  3、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

  4、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

  7 人工智能马化腾公开信:AI将成为基础设施,腾讯要打造“数字生态共同体”.docx

  7 人工智能腾讯5页报告:AI正取代互联网成为新引擎,马化腾提七大关键词.docx

  7 认知计算IBM陈黎明:Watson今年底将惠及0亿人,商业AI如何渗透这些行业?.docx

  8 IE知识最系统、完整的标准工时学习资料;标准作业(SOP)详解;生产线布局规划.docx

  8 财富空间硅谷人脉王,LinkedIn创始人雷德·霍夫曼的创业史和6条人生经验.docx

  ansys经典APDL焊接模拟(移动热源、生死单元、双椭球热源).pdf

  25秋四年级上册人教部编版语文《期末复习·1-8单元重点知识点押题考点》.pdf

  原创力文档创建于2008年,本站为文档C2C交易模式,即用户上传的文档直接分享给其他用户(可下载、阅读),本站只是中间服务平台,本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方,若您的权利被侵害,请发链接和相关诉求至 电线) ,上传者