介紹

在這份教程中，我們將一同探索以下主題：

• 生成式人工智能
• 生成式 AI 的工作原理
• 創(chuàng)成式 AI 模型類(lèi)型
• 生成式應(yīng)用程序

生成式人工智能

什么是人工智能？

AI（人工智能）是指能夠執(zhí)行通常需要人類(lèi)智能的任務(wù)的計(jì)算機(jī)系統(tǒng)的開(kāi)發(fā)。這些任務(wù)可以包括推理、解決問(wèn)題、學(xué)習(xí)、感知、理解自然語(yǔ)言等。

什么是生成式 AI？

生成式 AI 是指人工智能的一個(gè)子集，它專(zhuān)注于創(chuàng)建能夠生成與訓(xùn)練數(shù)據(jù)相似或模仿的新內(nèi)容或數(shù)據(jù)的新內(nèi)容和算法。

監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，其中算法在標(biāo)記的數(shù)據(jù)集上訓(xùn)練，這意味著數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)都與正確的輸出或目標(biāo)配對(duì)。

• 監(jiān)督學(xué)習(xí)的目標(biāo)是學(xué)習(xí)從輸入數(shù)據(jù)到輸出數(shù)據(jù)的映射，以便算法可以準(zhǔn)確地進(jìn)行預(yù)測(cè)或?qū)π碌?、看不?jiàn)的數(shù)據(jù)進(jìn)行分類(lèi)。
• 監(jiān)督學(xué)習(xí)的常見(jiàn)應(yīng)用包括圖像分類(lèi)、垃圾郵件檢測(cè)、情緒分析以及根據(jù)位置、大小和臥室數(shù)量等特征預(yù)測(cè)房?jī)r(jià)。

在訓(xùn)練期間，算法使用標(biāo)記的數(shù)據(jù)來(lái)調(diào)整其參數(shù)或模型結(jié)構(gòu)，以最大程度地減少其預(yù)測(cè)與實(shí)際標(biāo)簽之間的差異。此過(guò)程一直持續(xù)到算法達(dá)到令人滿(mǎn)意的性能。

無(wú)監(jiān)督學(xué)習(xí)

無(wú)監(jiān)督學(xué)習(xí)是一種機(jī)器學(xué)習(xí)，其中算法被賦予一個(gè)未標(biāo)記的數(shù)據(jù)集，其任務(wù)是在沒(méi)有明確指導(dǎo)的情況下查找數(shù)據(jù)中的模式、結(jié)構(gòu)或關(guān)系。

• 無(wú)監(jiān)督學(xué)習(xí)的主要目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式或分組，通常是通過(guò)聚類(lèi)相似的數(shù)據(jù)點(diǎn)或降低數(shù)據(jù)的維度。
• 無(wú)監(jiān)督學(xué)習(xí)的常見(jiàn)應(yīng)用包括聚類(lèi)相似客戶(hù)以進(jìn)行有針對(duì)性的營(yíng)銷(xiāo)，降低可視化的數(shù)據(jù)維度，以及文本數(shù)據(jù)的主題建模。

在無(wú)監(jiān)督學(xué)習(xí)中，算法無(wú)法訪(fǎng)問(wèn)正確的輸出標(biāo)簽。相反，它自主探索數(shù)據(jù)以識(shí)別模式或關(guān)系。常用技術(shù)包括聚類(lèi)算法、降維方法和生成建模。

生成式 AI 的工作原理

生成式 AI 模型學(xué)習(xí)訓(xùn)練數(shù)據(jù)中的模式和結(jié)構(gòu)，并利用這些知識(shí)創(chuàng)建以前未見(jiàn)過(guò)的新數(shù)據(jù)。生成式 AI 中最流行和最強(qiáng)大的技術(shù)之一是使用生成對(duì)抗網(wǎng)絡(luò) （GAN）。

以下是 GAN 的工作原理 —

發(fā)電機(jī)網(wǎng)絡(luò)

GAN 由兩個(gè)神經(jīng)網(wǎng)絡(luò)組成：生成器和鑒別器。生成器的作用是創(chuàng)建合成數(shù)據(jù)樣本。它將隨機(jī)噪聲作為輸入，并將其轉(zhuǎn)換為類(lèi)似于訓(xùn)練數(shù)據(jù)的數(shù)據(jù)。最初，生成器產(chǎn)生隨機(jī)和低質(zhì)量的樣本。

鑒別器網(wǎng)絡(luò)

鑒別器的工作是評(píng)估數(shù)據(jù)樣本并確定它們是真實(shí)的（來(lái)自訓(xùn)練數(shù)據(jù)集）還是假的（由生成器生成）。鑒別器從隨機(jī)權(quán)重開(kāi)始，并經(jīng)過(guò)訓(xùn)練以更好地區(qū)分真假樣本。

對(duì)抗訓(xùn)練

GAN 使用稱(chēng)為對(duì)抗訓(xùn)練的訓(xùn)練過(guò)程。以下是它的工作原理：

• 生成器生成假數(shù)據(jù)樣本，并將其與訓(xùn)練數(shù)據(jù)集中的真實(shí)數(shù)據(jù)樣本一起呈現(xiàn)給鑒別器。
• 鑒別器試圖正確分類(lèi)真假樣本。
• 生成器接收來(lái)自鑒別器的反饋，旨在生成更具說(shuō)服力和現(xiàn)實(shí)的數(shù)據(jù)。
• 這種來(lái)回過(guò)程以迭代方式繼續(xù)，生成器和鑒別器都會(huì)隨著時(shí)間的推移提高其性能。

納什均衡

隨著訓(xùn)練的進(jìn)行，生成器和判別器達(dá)到納什均衡，其中生成器創(chuàng)建越來(lái)越真實(shí)的數(shù)據(jù)樣本，判別器更難區(qū)分真實(shí)數(shù)據(jù)和虛假數(shù)據(jù)。

生成真實(shí)數(shù)據(jù)

訓(xùn)練后，生成器變得精通生成通常與真實(shí)數(shù)據(jù)無(wú)法區(qū)分的數(shù)據(jù)。這允許 GAN 生成與訓(xùn)練數(shù)據(jù)非常相似的圖像、文本、音頻和其他類(lèi)型的內(nèi)容。

應(yīng)用

GAN 具有廣泛的應(yīng)用，包括圖像生成、樣式傳輸、深度偽造創(chuàng)建、數(shù)據(jù)增強(qiáng)、超分辨率等。

值得注意的是，GAN 只是生成式 AI 領(lǐng)域生成模型的一個(gè)例子。其他生成模型，如變分自動(dòng)編碼器（VAE），使用不同的技術(shù)來(lái)生成數(shù)據(jù)。每種類(lèi)型的生成模型都有其優(yōu)點(diǎn)和缺點(diǎn)，適用于不同類(lèi)型的數(shù)據(jù)和應(yīng)用程序。

創(chuàng)成式 AI 模型類(lèi)型

在深度學(xué)習(xí)中，模型可以根據(jù)其主要目標(biāo)和功能大致分為兩種主要類(lèi)型：判別模型和生成模型。這些類(lèi)別描述了模型的基本用途及其操作方式。

判別模型

判別模型旨在區(qū)分輸入數(shù)據(jù)中的不同類(lèi)或類(lèi)別。它們的主要目的是對(duì)分隔不同類(lèi)的決策邊界進(jìn)行建模，或直接估計(jì)條件概率。

常見(jiàn)用例：

• 分類(lèi)：判別模型廣泛用于分類(lèi)任務(wù)，例如圖像分類(lèi)、情感分析和文本分類(lèi)。
• 物體檢測(cè)：在計(jì)算機(jī)視覺(jué)中，判別模型用于檢測(cè)和分類(lèi)圖像或視頻中的對(duì)象。
• 命名實(shí)體識(shí)別 （NER）：在自然語(yǔ)言處理中，判別模型用于識(shí)別文本中的名稱(chēng)、日期和位置等實(shí)體。

例子：

• 邏輯回歸
• 支持向量機(jī)
• 前饋神經(jīng)網(wǎng)絡(luò) （FNN） 或多層感知器 （MLP）
• 用于圖像分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò) （CNN）

生成模型

生成模型旨在學(xué)習(xí)數(shù)據(jù)的基本概率分布。它們的主要目的是生成類(lèi)似于訓(xùn)練數(shù)據(jù)的新數(shù)據(jù)樣本。他們專(zhuān)注于了解數(shù)據(jù)是如何生成的，這使他們能夠創(chuàng)建新的、相似的數(shù)據(jù)點(diǎn)。

常見(jiàn)用例：

• 圖像生成：生成模型可以創(chuàng)建逼真的圖像，通常用于藝術(shù)生成、深度偽造創(chuàng)建和圖像到圖像的轉(zhuǎn)換。
• 文本生成：這些模型可以生成連貫且上下文相關(guān)的文本，用于聊天機(jī)器人、語(yǔ)言建模和創(chuàng)意寫(xiě)作。
• 異常檢測(cè)：生成模型可以通過(guò)檢測(cè)明顯偏離學(xué)習(xí)分布的數(shù)據(jù)點(diǎn)來(lái)識(shí)別數(shù)據(jù)集中的異常值或異常。

例子：

• 變分自動(dòng)編碼器 （VAE）
• 生成對(duì)抗網(wǎng)絡(luò) （GAN）
• 受限玻爾茲曼機(jī) （RBM）
• 自回歸模型（例如，PixelCNN，WaveNet）

生成式應(yīng)用程序

生成式人工智能在各個(gè)領(lǐng)域都有廣泛的應(yīng)用。這些應(yīng)用程序利用生成模型來(lái)創(chuàng)建與模型訓(xùn)練的數(shù)據(jù)類(lèi)似的新數(shù)據(jù)或內(nèi)容。

圖像生成

• 藝術(shù)與創(chuàng)意：生成模型，特別是生成對(duì)抗網(wǎng)絡(luò) （GAN），已被用于創(chuàng)建令人驚嘆的、富有想象力的藝術(shù)品、繪畫(huà)和數(shù)字設(shè)計(jì)。
• 深度偽造：GAN 用于 deepfake 技術(shù)，通過(guò)將一個(gè)人的臉疊加到另一個(gè)人的臉上來(lái)生成逼真的視頻和圖像。
• 風(fēng)格轉(zhuǎn)換：像神經(jīng)風(fēng)格轉(zhuǎn)移這樣的模型可以拍攝一個(gè)圖像并將另一個(gè)圖像的藝術(shù)風(fēng)格應(yīng)用于它，從而創(chuàng)建視覺(jué)上引人注目的組合。

文本生成

• 聊天機(jī)器人：生成模型用于聊天機(jī)器人和虛擬助手，以生成對(duì)用戶(hù)查詢(xún)的類(lèi)似人類(lèi)的響應(yīng)，從而實(shí)現(xiàn)自然且引人入勝的對(duì)話(huà)。
• 內(nèi)容生成：它們可以為各種應(yīng)用程序生成文本內(nèi)容，包括新聞文章、產(chǎn)品描述和創(chuàng)意寫(xiě)作。

自然語(yǔ)言處理 （NLP）

• 語(yǔ)言翻譯：像谷歌基于變形金剛的模型這樣的模型用于機(jī)器翻譯，實(shí)現(xiàn)語(yǔ)言之間更準(zhǔn)確和上下文感知的翻譯。
• 綜述： 生成模型可以通過(guò)生成簡(jiǎn)潔連貫的摘要來(lái)總結(jié)長(zhǎng)文章或文檔。
• 對(duì)話(huà)系統(tǒng)：他們用于創(chuàng)建聊天機(jī)器人和虛擬代理，可以參與對(duì)話(huà)、回答問(wèn)題并協(xié)助用戶(hù)完成各種任務(wù)。

音頻生成和處理

• 作曲：生成模型可以創(chuàng)作音樂(lè)，產(chǎn)生新穎的旋律，甚至模仿著名作曲家的風(fēng)格。
• 語(yǔ)音生成：文本到語(yǔ)音轉(zhuǎn)換 （TTS） 系統(tǒng)使用生成模型將文本輸入轉(zhuǎn)換為自然發(fā)音的語(yǔ)音。

數(shù)據(jù)增強(qiáng)

• 生成模型可以為機(jī)器學(xué)習(xí)模型生成額外的訓(xùn)練數(shù)據(jù)，有助于提高模型性能和泛化。

異常檢測(cè)

• 生成模型可以通過(guò)標(biāo)記明顯偏離學(xué)習(xí)數(shù)據(jù)分布的數(shù)據(jù)點(diǎn)來(lái)識(shí)別數(shù)據(jù)集中的異?；虍惓Ｖ怠?/li>

超分辨率和圖像增強(qiáng)

• 他們可以通過(guò)從低分辨率輸入生成高分辨率版本來(lái)提高圖像質(zhì)量，這在醫(yī)學(xué)成像和監(jiān)控中很有用。

內(nèi)容推薦

• 生成模型可用于根據(jù)用戶(hù)的偏好和行為向用戶(hù)推薦產(chǎn)品、電影、音樂(lè)或其他內(nèi)容。

圖像到圖像轉(zhuǎn)換

• 像CycleGAN這樣的模型可以將圖像從一個(gè)域轉(zhuǎn)換為另一個(gè)域，例如將照片轉(zhuǎn)換為藝術(shù)品樣式或?qū)滋旄臑楹谝埂?/li>

藥物發(fā)現(xiàn)和分子設(shè)計(jì)

• 生成模型用于生成新的藥物分子和分子結(jié)構(gòu)，這可以加速藥物發(fā)現(xiàn)過(guò)程。

用于仿真的數(shù)據(jù)生成

• 在機(jī)器人和自動(dòng)駕駛汽車(chē)等領(lǐng)域，生成模型可用于創(chuàng)建用于訓(xùn)練和測(cè)試的合成數(shù)據(jù)，從而減少對(duì)大量真實(shí)世界數(shù)據(jù)收集的需求。

想要更深入了解AI技術(shù)，歡迎點(diǎn)擊點(diǎn)擊咨詢(xún)來(lái)參加我們公司的數(shù)字藝術(shù)教育課程，探索AI的未來(lái)！