斯坦福大学深度生成模型cs236 全部pdf课件

115页Slides带你领略深度生成模型全貌(带书签），英文报告 ijcai_ecai_tutorial，入门深度生成模型很好的参考资料。

深度生成模型因其为各种应用生成数据的能力而备受关注，这些应用包括医疗保健、金融技术、监控等，其中最受欢迎的模型是生成对抗网络和变分自动编码器。然而，与所有机器学习模型一样，人们一直担心安全漏洞和隐私泄露，深度生成模型也不例外。

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

通过学习可观测数据的概率密度而随机生成样本的生成模型在近年来受到人们的广泛关注, 网络结构中包含多个隐藏层的深度生成式模型以更出色的生成能力成为研究热点, 深度生成模型在计算机视觉、密度估计、自然语言和语音识别、半监督学习等领域得到成功应用, 并给无监督学习提供了良好的范式.

深度生成建模是一类训练深度神经网络对训练样本分布进行建模的技术。研究已经分成了各种相互关联的方法，每一种方法都进行了权衡，包括运行时间、多样性和体系结构限制。特别是，本综述涵盖了基于能量的模型、变分自编码器、生成对抗网络、自回归模型、规一化流，以及许多混合方法。这些技术是在一个单一个框架下绘制的，比较和对比来解释每种技术背后的前提，同时回顾当前最先进的进展和实现。