Silabus Pelajaran 183 dari 246 · Modul 17: Masukan noise, keluaran gambar (diffusion)
Modul 17: Masukan noise, keluaran gambar (diffusion)

Panah kembali ke data (Lihatnya)

Kenapa ini penting Menghapus noise terdengar seperti sihir sampai kamu melihat apa yang sebenarnya dipelajari jaringan: untuk setiap titik yang berisik, ada panah yang menunjuk ke tempat data bersih kemungkinan berada. Generasi adalah mengikuti panah tersebut ke rumahnya.

Jaringan dilatih untuk memprediksi noise eps yang ditambahkan. Balik shortcutnya dan tebakannya menjadi tebakan titik bersih:

x0_estimate = (x_t - sqrt(1 - abar_t) eps_predicted) / sqrt(abar_t)

Gambar panah dari setiap titik noisy ke estimasi x0 nya dan kamu akan dapat bidang panah. Perhatikan pemandangan ini: kisi titik yang sama, pada langkah yang sangat noisy dan pada langkah yang hampir bersih.

Prediksi dulu: di langkah mana panah lebih selaras satu sama lain, semuanya menunjuk ke tempat yang hampir sama: langkah 60 (sangat berisik) atau langkah 10 (hampir bersih)?

Kata dan simbol di pelajaran ini
abar
bagian sinyal asli yang tersisa setelah beberapa langkah (akar kuadratnya dikalikan dengan x0)
x0, x_t
data bersih, dan data yang sama setelah t langkah noise
eps
noise bell-curve yang ditambahkan; jaringan belajar untuk memprediksinya
Giliranku

Atur my_guess ke 60 atau 10. Latih model (difflab.train('spiral'), beberapa detik), lalu untuk grid 11 x 11 hitung estimasi x0 pada langkah 60 dan langkah 10. Isi spread (sebaran estimasi, est.std(axis=0).mean()) dan near (rata-rata jarak mereka ke spiral, difflab.nearest_distance(est).mean()) untuk kedua langkah. Lalu atur agree_more ke langkah (60 atau 10) di mana angka kamu menunjukkan estimasi lebih setuju. Tebakan kamu tetap seperti yang kamu buat.

Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini

Latihan ini akan segera dibuka

Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.