技术心得:判别式模型vs.生成式模型

简介: 技术心得:判别式模型vs.生成式模型

"

1. 简介

生成式模型(generative model)会对xxx和yyy的联合分布p(x,y)p(x,y)p(x,y)进行建模,然后通过贝叶斯公式来求得p(y|x)p(y|x)p(y|x), 最后选取使得p(y|x)p(y|x)p(y|x)最大的yiyiy_i. //代码效果参考:https://v.youku.com/v_show/id_XNjQwNjYyODc4NA==.html

具体地, y?=argmaxyip(yi|x)=argmaxyip(x|yi)p(yi)p(x)=argmaxyip(x|yi)p(yi)=argmaxyip(x,yi)y?=argmaxyip(yi|x)=argmaxyip(x|yi)p(yi)p(x)=argmaxyip(x|yi)p(yi)=argmaxyip(x,yi)y{*}=arg \max{y_i}p(yi|x)=arg \max{y_i}\frac{p(x|y_i)p(yi)}{p(x)}=arg \max{y_i}p(x|y_i)p(yi)=arg \max{y_i}p(x,y_i).//代码效果参考:https://v.youku.com/v_show/id_XNjQwMDE5ODQ3Ng==.html

判别式模型(discriminative model)则会直接对"
image.png

相关文章
|
5月前
|
机器学习/深度学习 数据采集 人工智能
深度学习之稳健的模型推理与不确定性建模
基于深度学习的稳健模型推理与不确定性建模,是现代AI系统中至关重要的研究方向。随着深度学习在各类应用中的成功,如何保证模型在面对未知或不确定性输入时仍能做出稳健的推理,并能够量化这种不确定性,成为关键问题。稳健性与不确定性建模可以提高模型的安全性、可靠性,尤其在自动驾驶、医疗诊断等高风险领域。
102 0
|
7月前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习中的正则化技术:提升模型泛化能力的关键策略探索AI的奥秘:深度学习与神经网络
【8月更文挑战第27天】在深度学习的探索旅程中,我们常常遭遇模型过拟合的困境,就像是一位探险者在茫茫林海中迷失方向。本文将作为你的指南针,指引你理解并应用正则化技术,这一强大的工具能够帮助我们的模型更好地泛化于未见数据,就如同在未知领域中找到正确的路径。我们将从简单的L1和L2正则化出发,逐步深入到更为复杂的丢弃(Dropout)和数据增强等策略,为你的深度学习之旅提供坚实的支持。
|
9月前
|
机器学习/深度学习 人工智能 算法
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
【机器学习】RLHF:在线方法与离线算法在大模型语言模型校准中的博弈
407 6
|
8月前
|
机器学习/深度学习 自然语言处理 算法
「AIGC算法」深度神经网络
**深度神经网络(DNNs)**是多层人工神经网络,用于图像识别、语音识别和自然语言处理等。它们通过输入层、隐藏层和输出层学习数据的复杂模式。工作流程涉及前向传播、激活函数(如ReLU)、权重更新(通过反向传播)和损失函数优化。应用广泛,包括图像和语音识别、推荐系统和医学分析。例如,用TensorFlow和Keras构建的DNN可识别MNIST手写数字。Python在数据分析、自动化、网络爬虫、文件管理和机器学习等任务中也发挥着关键作用。
107 0
|
10月前
|
机器学习/深度学习 数据处理
【机器学习】生成式模型与判别式模型有什么区别?
【5月更文挑战第10天】【机器学习】生成式模型与判别式模型有什么区别?
|
10月前
|
机器学习/深度学习 人工智能 关系型数据库
南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏,让AI落地更进一步!!!
南京大学提出量化特征蒸馏方法QFD | 完美结合量化与蒸馏,让AI落地更进一步!!!
246 0
|
机器学习/深度学习 人工智能 自然语言处理
关于医学多模态大模型,你需要来学习这些最新研究
关于医学多模态大模型,你需要来学习这些最新研究
375 0
|
机器学习/深度学习 数据采集 编解码
深度学习如何训练出好的模型
深度学习如何训练出好的模型
126 0
|
人工智能 编解码 自然语言处理
一句话生成3D模型:AI扩散模型的突破,让建模师慌了
一句话生成3D模型:AI扩散模型的突破,让建模师慌了
870 0
|
机器学习/深度学习 人工智能 数据可视化
NeurIPS 2022 | 首个标注详细解释的多模态科学问答数据集,深度学习模型推理有了思维链(1)
NeurIPS 2022 | 首个标注详细解释的多模态科学问答数据集,深度学习模型推理有了思维链
376 0