給定訓練集，產生與訓練集同分布的新樣本。
希望學到乙個模型，其與訓練樣本的分布相近。
無監督學習裡的乙個核心問題：密度估計問題。
典型思路：
利用鏈式準則將影象x的生成概率轉變為每個畫素生成概率的乘積。
缺點是：畫素的生成是序列的進行訓練，生成整張的效率太慢了。
二者的優點：似然函式可以精確計算；利用似然函式的值可以有效地評估模型效能。
二者的缺點：序列產生=>慢
無監督的特徵學習，其目標是利用無標籤資料找到乙個有效地低維的特徵提取器。
對輸入資料進行降維，採用的方法是自編碼器（早先使用的方法是線性方法，後來出現了全連線神經網路，最後使用卷積神經網路）。
特徵降維的作用是：希望降維後的特徵僅保留資料中有意義的資訊。
整體的方法就是將輸入資料通過編碼器提取特徵，然後對特徵使用解碼器重構輸入資料，也就是保證輸出和輸入盡可能的重合。
經過訓練後的編碼器就可以用於分類任務，但是效果沒有直接用vgg等的好，因為它保留的是樣本特徵，而沒有特別保留樣本間的區別特徵，但是在分類中，這個樣本間的區別特徵或許會更加的重要。而訓練後的解碼器就可以用於生成，類似於給定乙個資料，可以通過解碼器自動生成一張數字等。
優點：生成模型裡的一種主要方法，可以計算出乙個特徵，這個特徵表示可以用在其他的許多任務重。
缺點：最大化似然函式的下邊界能夠有效地工作，但是模型不好評估；與gan相比，產生的樣本模糊，質量較低。
問題：希望從訓練樣本分佈中取樣新資料，但這個分布不僅維度高而且還很複雜，難以直接實現。
解決方案：對乙個簡單的分布取樣，比如均勻分布；然後，學習一種對映將其變換到訓練樣本分佈。
生成網路：期望能夠產生盡量真實的，進而騙過判別器。
判別網路：期望能夠準確的區分真假。
在這個過程中採用的是minimax的方式聯合訓練。基本流程是首先訓練判別，是的整個式子的值盡可能的大。然後訓練生成器，是的能夠盡量的騙過判別器，讓判別器輸出結果為1。
gan總結：
dcgan：
dcgan構架在訓練過程中狀態穩定，並可以有效實現高質量的生成，因此，現在的很多gan都是在它的基礎上進行改進的。
dcgan提了四種規則：
lsgan：
gan網路在訓練時經常出現d太過於強大，很快就能分出真假，一些點離決策邊界非常遠，所處位置梯度是0.這部分樣本很難被拉到真實點附近。
解決方案：將判別器任務由分類改成回歸任務。
wgan：
推土機距離：
γ表示需要從xp中拿多少土放入xq中，二正規化表示xp和xq之間的距離。然後推土機距離是要在所有方案中選擇 那個最小的距離方案。
條件gan：
問題：acgan：
計算機視覺 回歸模型
本文仍然是基於computer vision models,learning,and inference這本書的閱讀筆記與心得。雖然看的雲裡霧裡的，但不寫下來恐怕很快一點都不記得了。看的過程還是很吃力，感覺自己在學機器學習與概率論，在公式中掙扎。本章講的是機器學習兩大問題之一的回歸模型，討論的主要是...
（計算機視覺）計算機視覺基礎
opencv cximage cimg freeimage opencv中vc庫的版本與visual studio版本的對應關係 vc8 2005 vc9 2008 vc10 2010 vc11 2012 vc12 2013 vc14 2015 vc15 2017 visual studio中的輔助...
計算機視覺
主講老師 曹洋 課程 視覺 基礎 底 層處理 影象處理 特徵提 取 中 層處理 影象分割 相機標 定 深度 估計 運 動估計 高層處 理 3d 重建 目 標識別 視 覺基 礎 底層 處理 圖 像處理 特徵提取 中層 處理 圖 像分割 相機標定 深度估 計 運動 估計 高層處理 3d重 建 目標 識別...