Generative Deep Learning, 2a edizione

Capitolo 7. Modelli basati sull'energia

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Obiettivi del capitolo

In questo capitolo scoprirai:

• Capire come formulare un modello energetico profondo (EBM).

• Scopri come campionare da un EBM utilizzando la dinamica Langevin.

• Forma la tua EBM utilizzando la divergenza contrastiva.

• Analizzare l'EBM, compresa la visualizzazione di istantanee del processo di campionamento della dinamica di Langevin.

• Scopri altri tipi di EBM, come le macchine di Boltzmann ristrette.

Modelli basati sull'energia sono un'ampia classe di modelli generativi che prendono in prestito un'idea chiave dalla modellazione dei sistemi fisici, ovvero che la probabilità di un evento può essere espressa utilizzando una distribuzione di Boltzmann, una funzione specifica che normalizza una funzione energetica a valore reale tra 0 e 1. Questa distribuzione fu originariamente formulata nel 1868 da Ludwig Boltzmann, che la utilizzò per descrivere i gas in equilibrio termico.

In questo capitolo vedremo come utilizzare questa idea per addestrare un modello generativo che possa essere utilizzato per produrre immagini di cifre scritte a mano. Esploreremo diversi nuovi concetti, tra cui la divergenza contrastiva per l'addestramento dell'EBM e la dinamica di Langevin per il campionamento.

Introduzione

Noi di inizieremo con una breve storia per illustrare i concetti chiave dei ...