シラバス レッスン 246 中 183 · モジュール 17:ノイズを入れて、絵を出す(拡散)
モジュール 17:ノイズを入れて、絵を出す(拡散)

データへ戻る矢印(見てみる)

なぜ大切か ノイズを取り除くことは、ネットワークが実際に何を学ぶかを見るまでは魔法のように聞こえます:どんなノイズの点にも、きれいなデータがおそらくあった場所を指す矢印。生成とは、その矢印をたどって家に帰ることです。

ネットワークは、足されたノイズ eps を予測するよう訓練されます。近道を逆にすると、その推測はきれいな点の推測になります:

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

それぞれのノイズの点からその x0 の推定へ矢印を描くと、矢印の場ができます。場面を見てください:同じ点の格子を、とてもノイズの多い歩みと、ほぼきれいな歩みで。

まず予測してください:どちらの歩みで矢印が互いにより一致し、すべてがおよそ同じ場所を指すか:歩み 60(とてもノイズが多い)か歩み 10(ほぼきれい)か?

このレッスンの言葉と記号
abar
いくつかの歩みのあとに残る元の信号の割合(その平方根が x0 に掛かる)
x0、x_t
きれいなデータと、t 歩のノイズのあとの同じデータ
eps
足された釣鐘曲線のノイズ。ネットワークはそれを予測することを学ぶ
あなたの番

my_guess を 60 か 10 に設定してください。モデルを訓練し(difflab.train('spiral')、数秒)、それから 11 x 11 の格子について、歩み 60 と歩み 10 での x0 の推定を計算します。両方の歩みについて spread(推定の広がり、est.std(axis=0).mean())と near(渦巻きへのその平均の距離、difflab.nearest_distance(est).mean())を埋めてください。それから agree_more を、あなたの数が推定がより一致すると示す歩み(60 か 10)に設定します。予想は作ったままにとどまります。

このレッスンに問題を見つけましたか?報告する · このレッスンについて質問する

この演習はまもなく開きます

その前のレッスンを終えると、このレッスンが解放されます。コース全体が無料でアカウントも不要、このレッスンは今すぐ読めます。