Generative Deep Learning, 2a edizione

Parte II. I metodi

Nella seconda parte ci addentreremo nelle sei famiglie di modelli generativi, includendo la teoria del loro funzionamento ed esempi pratici di come costruire ogni tipo di modello.

Nel Capitolo 3 vedremo il nostro primo modello di deep learning generativo, l'autoencoder variazionale. Questa tecnica ci permetterà non solo di generare volti realistici, ma anche di modificare immagini esistenti, ad esempio aggiungendo un sorriso o cambiando il colore dei capelli.

Il Capitolo 4 esplora una delle tecniche di modellazione generativa di maggior successo degli ultimi anni, la rete generativa avversaria. Vedremo come l'addestramento della GAN è stato perfezionato e adattato per spingere sempre più in là i limiti che la modellazione generativa è in grado di raggiungere.

Nel Capitolo 5 approfondiremo diversi esempi di modelli autoregressivi, tra cui LSTM e PixelCNN. Questa famiglia di modelli tratta il processo di generazione come un problema di previsione di una sequenza: è alla base degli attuali modelli di generazione di testi all'avanguardia e può essere utilizzata anche per la generazione di immagini.

Nel Capitolo 6 tratteremo la famiglia dei modelli di normalizzazione dei flussi, tra cui RealNVP. Questo modello si basa su una formula di cambio di variabili che permette di trasformare una distribuzione semplice, come una distribuzione gaussiana, in una distribuzione più complessa in modo da preservare la trattabilità.

Il Capitolo 7 introduce la famiglia dei modelli ...