深度生成模型（全彩） Deep Generative Modeling

構建通用人工智能的關鍵就是無監督學習，而不需要標簽來訓練模型，最簡單的方法就是使用深度生成模型。本書主要講述如何將概率建模和深度學習結合起來去構建可以量化周邊環境不確定性的強大的 AI 系統。這種AI系統可以從生成的角度來理解周邊世界。本書涵蓋了深度生成模型的多種類型，包括自回歸模型、流模型、隱變量模型、基於能量的模型等。這些模型構成了以 ChatGPT 為代表的大語言模型，以及以 Stable Diffusion 為代表的擴散模型等深度生成模型背後的技術基石。 本書適合具備微積分、線性代數、概率論等大學本科水平，並且瞭解機器學習、Python 及PyTorch 等深度學習框架的學生、工程師和研究人員閱讀。無論讀者的背景如何，只要對深度生成模型有興趣，都能從本書中獲益。

第 1 章 為什麽要用深度生成模型1
1.1 AI 不只是做決策 1
1.2 在哪裡使用（深度）生成模型 3
1.3 如何定義（深度）生成模型 4
1.3.1 自回歸模型 5
1.3.2 流模型 5
1.3.3 隱變量模型 6
1.3.4 能量模型 7
1.3.5 概論 7
1.4 本書的目的和內容 8
1.5 參考文獻 9
第 2 章 自回歸模型 13
2.1簡介 13
2.2 由神經網絡參數化的自回歸模型 14
2.2.1 有限記憶 14
2.2.2 基於循環神經網絡的長距記憶 15
2.2.3 基於捲積神經網絡的長距記憶 16
2.3 深度生成自回歸模型實踐 19
2.4 還未結束 22
2.5 參考文獻 24
第 3 章 流模型27
3.1 連續隨機變量的流模型 27
3.1.1 簡介 27
3.1.2 深度生成網絡中的變量替換 30
3.1.3 構建 RealNVP 的組件 32
3.1.4 流模型實踐 33
3.1.5 代碼 34
3.1.6 還未結束 38
3.1.7 ResNet 流模型和 DenseNet 流模型39
3.2 離散隨機變量的流模型 41
3.2.1 簡介 41
3.2.2 R 中還是 Z 中的流模型 44
3.2.3 整形離散流模型 45
3.2.4 代碼 49
3.2.5 接下來的工作 53
3.3 參考文獻 54
第 4 章 隱變量模型 57
4.1 簡介 57
4.2 概率主成分分析 58
4.3 變分自動編碼器：非線性隱變量模型的變分推理60
4.3.1 模型和目標 60
4.3.2 ELBO 的不同解讀 61
4.3.3 VAE 的組件 62
4.3.4 VAE 實踐 65
4.3.5 代碼 66
4.3.6 VAE 的常見問題 71
4.3.7 還有更多 72
4.4 改進變分自動編碼器 75
4.4.1先驗 75
4.4.2 變分後驗 92
4.5 分層隱變量模型 99
4.5.1簡介 99
4.5.2 分層 VAE 103
4.5.3 基於擴散的深度生成模型 112
4.6 參考文獻 121
第 5 章 混合建模128
5.1簡介 128
5.1.1 方法一：從最簡單的情況開始128
5.1.2 方法二：共享參數化 130
5.2 混合建模 130
5.3 代碼實現 132
5.4代碼 134
5.5後續 138
5.6 參考文獻 139
第 6 章 基於能量的模型 141
6.1簡介 141
6.2 模型構建 143
6.3訓練 145
6.4代碼 147
6.5 受限玻爾茲曼機150
6.6結語 153
6.7 參考文獻 154
第 7 章 生成對抗網絡 157
7.1簡介 157
7.2 使用生成對抗網絡做隱含建模159
7.3 代碼實現 162
7.4 不同種類的生成對抗網絡167
7.5 參考文獻 169
第 8 章 用於神經壓縮的深度生成模型 171
8.1簡介 171
8.2 通用壓縮方案 172
8.3 簡短介紹：JPEG 174
8.4 神經壓縮：組件175
8.5後續 185
8.6 參考文獻 185
附錄 A 一些有用的代數與運算知識 187
A.1 範數與內積 187
A.2 矩陣運算188
附錄 B 一些有用的概率論和統計學知識190
B.1 常用概率分佈190
B.2 統計學 192
索引 194