不离十。
当初接触到伊芙·卡莉搞得这个专利时。
林灰发现根据该专利已经公开的一些资料尤其是该专利公开提及的技术路线。
林灰很快捕捉到这个专利的价值。
林灰料定利用这个模型几乎稍加变形就能在此基础上形成一种颇为高效的判别式模型。
事实是后来进行的收购进一步了解了专利信息后更是印证了此前林灰对之的猜测。
仅仅是判别式模型即便是效率高或许没啥意义。
但是稍微做点小改动那事情就不一样了。
当高效的判别式模型邂逅高效的生成式模型。
此二者进行有机结合,并在此基础上再继续进行一定的专门架构之后。
完全可以藉此搞出全新的效率颇高的深度学习模型。
这个深度学习模型在前世有个大名鼎鼎地称呼:
——生成对抗网络
生成对抗网络由一个生成网络与一个判别网络组成。
生成网络从潜在空间中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。
判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。
而生成网络则要尽可能地欺骗判别网络。
两个网络相互对抗、不断调整参数。
最终目的是使判别网络无法判断生成网络的输出结果是否真实。
在前世图灵奖获得者、卷积神经网路之父YannLeCun在某次学术论坛上甚至将生成对抗网络模型称之为机器学习方面二十年来最酷的想法。
能得到图灵奖级别大佬这样高度肯定,生成对抗网络模型的价值可想而知。
前世生成对抗网络作为非监督式学习的一种方法。
是由伊恩·古德费洛等人于2014年提出的。
不过这个时空由于机器学习方面的研究整体滞后。
这个前世颇为有名的深度学习模型在这个时空想要如约而至似乎是有些难度了。
前世生成式对抗网络自出现以来,针对不同的应用领域出现了许多变体。
这些变体相对于最原始的生成式对抗网络都进行了一定的改进。
这些改进有的是单纯改进了结构。
有的则是因为理论上的发展而对生成式对抗模型涉及到的一些函数或者说参数进行了一定的改进。
再或者就是单纯就应用方面进行了一定的创新调整。
一项技术被频繁改动不是说明这项技术失败。
刚好相反,这恰恰说明这项技术很成功。
因为这某种程度上从侧面反映了该技术有很多的成长空间。
事实也正是如此,前世生成式对抗网络是相当成功且应用广泛的。
在很多机器学习领域都能看到生成式对抗网络的身影。
之所以如此大概是因为原始的生成式对抗网络在构建的时候,先验假设比较少。
正是因为对数据几乎没有任何
请收藏:https://m.tctd9.cc
(温馨提示:请关闭畅读或阅读模式,否则内容无法正常显示)