Generative Deep Learning, 2ª Edição

Parte II. Métodos

Na Parte II, vamos aprofundar as seis famílias de modelos generativos, incluindo a teoria subjacente ao seu funcionamento e exemplos práticos de como construir cada tipo de modelo.

No Capítulo 3, vamos analisar o nosso primeiro modelo generativo de Deep Learning, o autoencoder variacional. Esta técnica permitir-nos-á não só gerar rostos realistas, mas também alterar imagens existentes - por exemplo, acrescentando um sorriso ou mudando a cor do cabelo de alguém.

O capítulo 4 explora uma das técnicas de modelação generativa mais bem sucedidas dos últimos anos, a rede adversária generativa. Veremos as formas como o treino de GAN tem sido aperfeiçoado e adaptado para ultrapassar continuamente os limites do que a modelação generativa é capaz de alcançar.

No Capítulo 5, vamos analisar vários exemplos de modelos autoregressivos, incluindo LSTMs e PixelCNN. Esta família de modelos trata o processo de geração como um problema de previsão de sequência - está na base dos actuais modelos de geração de texto de última geração e também pode ser utilizada para a geração de imagens.

No Capítulo 6, abordaremos a família de modelos de normalização de fluxos, incluindo o RealNVP. Este modelo baseia-se numa fórmula de mudança de variáveis, que permite a transformação de uma distribuição simples, como uma distribuição gaussiana, numa distribuição mais complexa, de forma a preservar a tractibilidade.

O capítulo 7 apresenta a família de modelos baseados na energia. Estes modelos treinam ...