Generatives Deep Learning, 2. Auflage

Teil II. Methoden

In Teil II werden wir uns mit den sechs Familien generativer Modelle beschäftigen, einschließlich der Theorie, die hinter ihrer Funktionsweise steht, und praktischen Beispielen, wie man die einzelnen Modelltypen erstellt.

In Kapitel 3 werfen wir einen Blick auf unser erstes generatives Deep Learning-Modell, den Variational Autoencoder. Mit dieser Technik können wir nicht nur realistische Gesichter erzeugen, sondern auch bestehende Bilder verändern, indem wir zum Beispiel ein Lächeln hinzufügen oder die Haarfarbe einer Person ändern.

Kapitel 4 befasst sich mit einer der erfolgreichsten generativen Modellierungstechniken der letzten Jahre, dem generativen adversarischen Netzwerk. Wir werden sehen, wie das GAN-Training verfeinert und angepasst wurde, um die Grenzen der generativen Modellierung ständig zu erweitern.

In Kapitel 5 werden wir uns mit verschiedenen Beispielen für autoregressive Modelle befassen, darunter LSTMs und PixelCNN. Diese Modellfamilie behandelt den Generierungsprozess als ein Sequenzvorhersageproblem - sie bildet die Grundlage für die modernen Textgenerierungsmodelle und kann auch für die Bilderzeugung verwendet werden.

In Kapitel 6 werden wir uns mit der Familie der normalisierenden Flussmodelle befassen, darunter RealNVP. Dieses Modell basiert auf einer Formel für den Variablenwechsel, die es ermöglicht, eine einfache Verteilung, wie z. B. eine Gauß-Verteilung, in eine komplexere Verteilung umzuwandeln, ohne dass die Überschaubarkeit leidet. ...