一加Ace2 Pro官宣：普及16G內(nèi)存 引領(lǐng)24G
一加官方今天繼續(xù)為本月發(fā)布的新機(jī)一加Ace2 Pro帶來預(yù)熱，公布了內(nèi)存方面的信息。“淘汰 8GB ，12GB 起步，16GB 普及，24GB 引領(lǐng)，還有呢？#一加Ace2Pro#，2023 年 8 月，敬請期待。”同時
本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
由于在圖像生成效果上可以與GAN媲美，擴(kuò)散模型最近成為了AI界關(guān)注的焦點(diǎn)。
谷歌、OpenAI過去一年都提出了自家的擴(kuò)散模型，效果也都非常驚艷。
另一邊，劍橋大學(xué)的學(xué)者David Krueger提出，自動編碼器會不會卷土重來成為研究熱潮。
就在最近，DeepMind的一位研究科學(xué)家Sander Dieleman基于以上兩股熱潮，提出了自己的觀點(diǎn)：
擴(kuò)散模型就是自動編碼器啊！
這一觀點(diǎn)立刻引起了不少網(wǎng)友的注意，大家看了Sander的闡述，都覺得說得很有道理，并且給了自己不少啟發(fā)。
那么，他到底是如何論證自己這一觀點(diǎn)的呢？
我們一起來看。
去噪自動編碼器=擴(kuò)散模型
想要看透這二者之間的聯(lián)系，首先要看看它們自身的特點(diǎn)。
擴(kuò)散模型是一種新的圖像生成方法，其名字中的“擴(kuò)散”本質(zhì)上是一個迭代過程。
它最早于2015提出，是定義了一個馬爾可夫鏈，用于在擴(kuò)散步驟中緩慢地向數(shù)據(jù)添加隨機(jī)噪聲，然后通過學(xué)習(xí)逆轉(zhuǎn)擴(kuò)散過程從噪聲中構(gòu)建所需的數(shù)據(jù)樣本。
相比GAN、VAE和基于流的生成模型，擴(kuò)散模型在性能上有不錯的權(quán)衡，最近已被證明在圖像生成方面有很大的潛力，尤其是與引導(dǎo)結(jié)合來兼得保真度和多樣性。
比如去年谷歌提出的級聯(lián)（Cacade）擴(kuò)散模型SR3，就是以低分辨率圖像為輸入，從純噪聲中構(gòu)建出對應(yīng)的高分辨率圖像。
OpenAI的GLIDE、ADM-G也是用上了擴(kuò)散模型，以此能生成更加更真實(shí)、多樣、復(fù)雜的圖像。
△GLIDE模型效果
接下來，再來看自動編碼器的原理。
自動編碼器可以理解為一個試圖去還原原始輸入的系統(tǒng)，模型如下所示：
它的主要目的是將輸入轉(zhuǎn)換為中間變量，然后再將中間變量轉(zhuǎn)化為輸出，最后對比輸入和輸出，使它們二者之間無限接近。
當(dāng)模型框架中存在瓶頸層或者輸入被損壞時，自動編碼器能夠?qū)W習(xí)輸入本質(zhì)特征的特性，就可以大顯身手了。
在這里，作者主要拿來和擴(kuò)散模型對比的，便是去噪自動編碼器。
它可以將損壞數(shù)據(jù)作為輸入，通過訓(xùn)練來預(yù)測未損壞的原始數(shù)據(jù)作為輸出。
看到這里是不是有點(diǎn)眼熟了？
向輸入中加入噪聲，不就是一種破壞輸入的方法嗎？
那么，去噪自動編碼器和擴(kuò)散模型，原理上不就是有著異曲同工之妙嗎？
二者是如何等價的？
為了驗(yàn)證自己的這一想法，作者從原理方面對擴(kuò)散模型進(jìn)行了拆解。
擴(kuò)散模型的關(guān)鍵，在于一個分?jǐn)?shù)函數(shù) （score function）
。
需要注意的是，這和
不同。（求梯度的參數(shù)不同）
通過后者，我們可以知道如何改變模型參數(shù)來增加向下輸入的可能性，而前者能夠讓我們知道如何改變輸入本身來增加可能性。
在訓(xùn)練過程中，希望在去噪中的每一點(diǎn)都使用相同的網(wǎng)絡(luò)。
為了實(shí)現(xiàn)這個，需要引入一個額外的輸入
，由此可以看到在去噪中進(jìn)行到了哪一部分
。
當(dāng)t=0時，對應(yīng)無噪聲數(shù)據(jù)；t=1時，對應(yīng)純噪聲數(shù)據(jù)。
訓(xùn)練這個網(wǎng)絡(luò)的方法，就是用添加噪聲
來破壞輸入x。然后從
中預(yù)測
。
需要注意的是，在這里方差大小取決于t，因?yàn)樗梢詫?yīng)特定點(diǎn)的噪聲水平。損失函數(shù)通常使用均方誤差（MSE），有時會用 λ(t)進(jìn)行加權(quán)，因此某些噪聲水平會優(yōu)先于其他噪聲水平：
假設(shè)λ(t)=1時，一個關(guān)鍵的觀測值為
或 x（它們二者是等價的），在這里可以用公式：
為了確保它們是等價的，可以考慮使用訓(xùn)練模型
來預(yù)測
，并加上一個新的殘差連接。從輸入到輸出的比例系數(shù)均為-1，這個調(diào)整后的模型則實(shí)現(xiàn)了：
由此，一個擴(kuò)散模型便逐漸變成一個去噪自動編碼器了！
One More Thing
不過博客的作者也強(qiáng)調(diào)，雖然擴(kuò)散模型和去噪自動編碼器的效果等價，但是二者之間不可完全互換。
并且以上得到的這個去噪自動編碼器，和傳統(tǒng)類型也有不同：
第一，附加輸入t可以使單個模型用一組共用參數(shù)來處理噪聲級別不同的情況；第二，因?yàn)楦雨P(guān)注模型的輸出，所以內(nèi)部沒有瓶頸層，這可能會導(dǎo)致“弊大于利”的結(jié)果。
而作者更想強(qiáng)調(diào)的是這二者之間存在的聯(lián)系。
此外他還表示，模型效果好的關(guān)鍵應(yīng)該在于共用參數(shù)，這種方法已經(jīng)被廣泛應(yīng)用在表示學(xué)習(xí)上。
從這些成果中也能發(fā)現(xiàn)一個規(guī)律：
噪聲含量越高的模型，往往更容易學(xué)習(xí)到圖像的特征；噪聲含量越低的模型，則會更專注于細(xì)節(jié)。
作者認(rèn)為以上規(guī)律值得進(jìn)一步研究：
這意味著隨著噪聲水平逐步降低，擴(kuò)散模型能夠補(bǔ)充圖像細(xì)節(jié)也就越來越多。
最后，我們再來介紹一下這一發(fā)現(xiàn)的提出者——Sander Dieleman。
他現(xiàn)在是DeepMind的一位研究科學(xué)家，主要研究領(lǐng)域?yàn)樯赡Ｐ秃鸵魳泛铣伞?span style="display:none">BDo28資訊網(wǎng)——每日最新資訊28at.com
參與的主要研究工作有Spotify音樂平臺的內(nèi)容推薦模型。
本文鏈接：http://www.www897cc.com/showinfo-119-2146-0.html擴(kuò)散模型就是自動編碼器！DeepMind研究學(xué)者提出新觀點(diǎn)并論證
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號