Вариационные автокодировщики (VAE): мотивация, математика, ELBO и генерация данных

После изучения основ латентного пространства в предыдущем видео, пришло время посмотреть, как мы на самом деле генерируем новые данные с нуля. Наша первая остановка — вариационный автокодировщик (VAE). На мой взгляд, это наиболее интуитивно понятный способ преодолеть разрыв между простыми моделями и продвинутым глубоким обучением в генеративном ИИ. В этом видео мы подробно рассмотрим: Интуицию: почему стандартные автокодировщики не справляются с генерацией. Математику VAE как ELBO и трюк с репараметризацией. Мы увидим, как сэмплировать из латентного пространства для создания новых выходных данных. И почему VAE испытывают трудности с изображениями высокого качества по сравнению с более новыми архитектурами. Приятного просмотра! Не стесняйтесь оставлять комментарии с любыми вопросами — я с удовольствием помогу. 00:00 – Интуиция, лежащая в основе VAE 01:27 – Чего пытаются достичь VAE? 02:56 – Как на самом деле работают VAE 05:18 – Математика VAE и ELBO 08:30 – Решение задачи обратного распространения ошибки с помощью «трюка репараметризации» 09:55 – Генерация новых изображений с помощью VAE! 10:32 – «Проклятие размытия» 12:21 – Переход к более четким генеративным моделям