Programma Les 183 van 246 · Module 17: Ruis erin, plaatjes eruit (diffusie)
Module 17: Ruis erin, plaatjes eruit (diffusie)

Pijlen terug naar de data (Zie het)

Waarom dit ertoe doetRuis verwijderen klinkt als magie totdat je ziet wat het netwerk echt leert: voor elk ruisig punt een pijl die naar de plek wijst waar de schone data waarschijnlijk was. Generatie volgt die pijlen naar huis.

Het netwerk is getraind om de ruis eps te voorspellen die is toegevoegd. Draai de shortcut om en zijn gok wordt een gok van het schone punt:

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

Teken een pijl van elk ruisachtig punt naar zijn x0 schatting en je krijgt een veld van pijlen. Kijk naar de scène: hetzelfde raster van punten, bij een zeer ruisachtige stap en bij een bijna schone stap.

Voorspel eerst: bij welke stap komen de pijlen meer overeen met elkaar, waarbij ze allemaal naar ongeveer dezelfde plek wijzen: stap 60 (zeer ruisig) of stap 10 (bijna schoon)?

Woorden en symbolen in deze les
abar
het deel van het originele signaal dat overblijft na een aantal stappen (zijn wortel vermenigvuldigt x0)
x0, x_t
de schone data, en dezelfde data na t stappen van ruis
eps
de klokvormige ruis die is toegevoegd; het netwerk leert dit te voorspellen
Jij bent aan de beurt

Zet my_guess op 60 of 10. Train een model (difflab.train('spiral'), een paar seconden), bereken dan voor het 11 x 11 grid de x0 schattingen bij stap 60 en bij stap 10. Vul spread (de spreiding van de schattingen, est.std(axis=0).mean()) en near (hun gemiddelde afstand tot de spiraal, difflab.nearest_distance(est).mean()) in voor beide stappen. Zet daarna agree_more op de stap (60 of 10) waar jouw getallen laten zien dat de schattingen meer overeenstemmen. Je gok blijft zoals je hem hebt gemaakt.

Een probleem ontdekt in deze les? Meld het · Vraag naar deze les

Deze oefening opent binnenkort

Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.