【生成式 AI】10.變分自編碼器 (VAE) 開始的冒險旅程 скачать в хорошем качестве

【生成式 AI】10.變分自編碼器 (VAE) 開始的冒險旅程

1141 【TAICA。生成式 AI】10.變分自編碼器 (VAE) 開始的冒險旅程 2025 年 11 月 4 日 回顧 00:26 生成式 AI 三大形式 01:31 今日即將學習：生成圖像的擴散模型 Embedding 03:15 Embedding 的核心概念 08:10 神經網路中的 Embedding 10:11 設計代理任務 (Pretext Task) 13:17 Encoder 模型 14:36 Word2Vec：文字轉向量的經典案例 18:36 LLM 的 Embedding 機制 20:51 Embedding 與生成式 AI 22:08 輸入特徵代表向量作法一：隨機輸入 23:04 輸入特徵代表向量作法二：對既有的 Embedding 進行微調 Autoencoder 24:07 Autoencoder 介紹 25:31 代理任務的設計：輸入即輸出 26:56 Latent Vector 層 27:24 壓縮與還原的意義 28:37 生成式 AI 的重點：Decoder 與微調 29:59 Autoencoder 無法生成新圖像 VAE 31:34 改進方案：VAE (Variational Autoencoder) 33:36 VAE 的運作原理：平均值與變異數（或標準差） 36:19 VAE 的應用實例：Deepfake 00;39;03;27 Autoencoder 在生成式 AI 發展上的地位 Diffusion Models 41:29 Diffusion Models 介紹 42:52 文字生圖工具的發展 46:22 作業：Microsoft Bing 文字生圖 51:55 生成文字生圖的範例 58:59 作業要點說明 1:01:31 Stable Diffusion 與 Diffusers 套件 1:03:57 替代方案：Fooocus Diffusion Models原理 1:05:44 解決 VAE 的痛點：如何生成 Latent Vector 1:07:15 Diffusion Model 的歷史 1:09:58 Diffusion Models 受到 LLM 的啟發 1:11:04 Encoder：透過加噪達到常態分佈 1:15:23 計算捷徑：直接算出第 t 步的雜訊 1:16:33 Decoder：預測「加了多少雜訊」 1:20:09 隨機雜訊 - 預測雜訊 = 圖像 1:22:26 逐步去噪 Latent Diffusion Model (LDM) 1:27:07 Diffusion Model 的問題 1:28:50 解決方法：用 VAE 將圖像壓縮成 Latent Vector 1:33:21 Stable Diffusion 常見的三種 VAE 1:34:23 文字生圖原理 TA時間 1:40:35 一些公告 1:45:12 閃電秀 1:52:54 助教課：AI Agent 實作 自動建立行事曆