前言人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 ———-摘自百度百科说明环境：Ubuntu16.04 语言: Python 依赖：OpenCV+matplotlib加载人脸模型在我们安装OpenCV好以后，在目录下会有很多的
总结： AE（自编码器）：编码->n维向量->直接解码 VAE（变分自编码器）：编码->n维向量->每个维度使用正态分布拟合->每个维度采样形成新的n维向量->解码 CVAE（条件VAE）：每个维度用拟合后的分布均值要和目标图片一致 VQVAE（向量量化自编码器）：编码->n维向量->每个维度使用cookbook找到最近向量->解码 注意VQV
转载
2024-05-14 22:57:35
1279阅读
## 使用PyTorch实现变分自编码器（VAE）的流程
变分自编码器（VAE）是一种流行的生成模型，可以用于图像生成、数据降维等任务。下面的内容将会详细介绍如何利用PyTorch实现一个简单的VAE，并提供一个明确的步骤和代码示例。
### 实现流程
以下是实现VAE的基本流程：
| 步骤 | 描述 |
原创
2024-08-17 04:51:35
259阅读
一句话说明：AE简单来说就是encode先压缩真实样本成一个隐变量（一般用z表示），在逆向decode还原生真实样本通大小的新样本。调整中间参数，使得前后样本尽量相似或相同，这样中间隐变量就能展现原来样本的特征了。VAE在此基础上，生成Z前，添加方差（即噪音），构成一个分布式结构，其它基本与AE相同。 一、简单介绍 变分自编码器（Variational Autoencod
本节内容学习了：模型自定义的三种方式：Sequential, Modile List,Module dict；当模型有重复出现的层结构，我们可以构建模型块实现复用来构建复杂模型；如果要对模型进行修改：通过实例化来修改特定的层、通过在forward中增加参数来增加输入（要注意修改函数体内增加的输入是如何起作用的、对应的模型的定义也要进行修改）、通过return特定的值来实现额外输出；模型的读取和保存
转载
2023-09-04 13:56:45
222阅读
如果需要小编其他论文翻译，请移步小编的GitHub地址 上一篇博客先搭建了基础环境，并熟悉了基础知识，本节基于此，再进行深一步的学习。 接下来看看如何基于PyTorch深度学习框架用简单快捷的方式搭建出复杂的神经网络模型，同时让模型参数的优化方法趋于高效。如同使用PyTorch中的自动梯度方法一样，在搭建复杂的神经网络模型的时候，我们也可以使用PyTorch中已定义的类
VAE 模型是一种有趣的生成模型，与GAN相比，VAE 有更加完备的数学理论（引入了隐变量），理论推导更加显性，训练相对来说更加容易。VAE 可以从神经网络的角度或者概率图模型的角度来解释。VAE 全名叫 变分自编码器，是从之前的 auto-encoder 演变过来的，auto-encoder 也就是自编码器，自编码器，顾名思义，就是可以自己对自己进行编码，重构。所以 AE 模型一般都由两部分的网
转载
2024-07-03 03:31:34
241阅读
1. 前言促使我学习OpenGL新版本的一大动力，就是对改善渲染质量的渴望。谈到渲染，就不能不提光照模型。好的光照模型，对物体的真实感渲染起到至关重要的作用。本章我将从光照模型这个主题切入，来谈一谈如何通过编写shader来控制光照。注：本章的部分内容为主观叙述，未经严格的认证，如有问题，请以OpenGL新版教材为准。关于新版本的一些基础知识，如VBO，VAO的绑定，管线编程机制等，在
Keras搭建GAN生成MNIST手写体GAN简介生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。在GAN模型中，一般存在两个模块： 分别是生成模型（Generative Model）和判别模型（Discriminative Model）；二者的互相博弈与学习将会产生相当好的输出。原始
axios({
method: 'post',
url: '/faceDiscern',
data: formData,
}).then(function (response) {
alert(response.data.data);
window.locatio
转载
2024-10-24 10:11:44
38阅读
原创
2023-06-14 10:40:04
157阅读
半监督VAE模型在PyTorch中的实现
在深度学习的领域中，变分自编码器（Variational Autoencoder, VAE）已经成为生成模型的重要组成部分。最近，随着半监督学习的兴起，半监督VAE被提出以应对这些任务。半监督VAE结合了有标签和无标签数据的特性，具有更好的泛化能力。本文将深入探讨半监督VAE在PyTorch中的实现过程。
引言
在机器学习中，有标签的数据通常是稀缺的
1. 写在前面 前几天看了cgcookie的一个教程，学习了下怎么根据已有人物模型制作一个仿版的NPC人物，感觉挺好玩的，整理一下放到博客里！先看一下教程里面的最终效果。是不是很像个幽灵~下面是我在自己的工程中实验的结果。中间是游戏角色，两遍两个就是NPC啦。这种技术得到的效果和贴图关系很大，所以如果效果不好再画一张贴图吧2. 实现实现非常简单，一共包含三个部分：改变Mesh材质，给Mesh添加P
目录 广义的文本生成，其他数据源转换成文本 机器翻译的历程 机器翻译的历程 规则、统计、神经网络 RNN的结构 transformer的结构 encoder编码 self-attention 多层迭代 并行计算，距离更短 优势，flops，每秒的浮点数运算次数 困惑度，LSTM并不是参数量越大效果越好 参数量越来越大性能瓶颈 API》算子》cuda kernel 原因 优化方向 形象比喻算子融合
在本文中，介绍了使用人脸设计或草图来制作人脸照片的想法。该技术的应用包括角色设计、教育培训、面部变形
原创
2024-05-20 10:38:00
191阅读
## 实现 VAE（Variational Autoencoder）的步骤和代码解析
### 1. 介绍
在开始之前，让我们先简要了解一下 VAE（Variational Autoencoder）。
VAE 是一种生成模型，它结合了自编码器（Autoencoder）和变分推断（Variational Inference）的思想。VAE 可以用于学习数据的潜在表示，并用于生成新的数据样本。
原创
2023-08-16 16:29:06
186阅读
1.简介上一篇文章里我们介绍了【图像生成】的GAN及其改进WGAN，还有对应的condition条件生成代码。这篇文章主要介绍另外一种生成网络VAE。2.原理VAE相对于GAN来说像是一种相反的存在：GAN是输入latent生成图像，再用生成的图像去修正网络；而VAE是输入图像生成latent，让latent的尽量接近原数据集的分布。这两者是不是有种奇妙的转置的感觉？让我们从头来理解下VAE的由来
关于自编码器的原理见另一篇博客 ： 编码器AE & VAE这里谈谈对于变分自编码器（Variational auto-encoder）即VAE的实现。 1. 稀疏编码首先介绍一下“稀疏编码”这一概念。 早期学者在黑白风景照片中可以提取到许多16*16像素的图像碎片。而这些图像碎片几乎都可由64种正交的边组合得到。而且组
转载
2023-11-11 21:31:42
164阅读
《异常检测——从经典算法到深度学习》0 概论1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法3 基于One-Class SVM的异常检测算法4 基于高斯概率密度异常检测算法5 Opprentice——异常检测经典算法最终篇6 基于重构概率的 VAE 异常检测7 基于条件VAE异常检测8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测9 异常检测资料汇总（持续
转载
2023-08-07 15:30:14
635阅读
目录1 生成模型分类 1 2 Autoregressive model 2 3 变分推断 3 3.1 ELBO 3 3.2 变分分布族Q 5 4 VAE 6 5 GAN 6 6 flow模型 7 7 EM算法 8 8 DDPM 81 生成模型分类生成模型（Generatitve Models）在传统机器学习中具有悠久的历史。 主要有如下几种生成模型：autoregressive models 、V
转载
2024-04-25 20:09:46
190阅读
