Generative AI - Diffusion Model擴散模型現場實作精解


	☆最流行的AIGC技術介紹　　☆Diffusion Model的基礎　　☆擴散模型的高效採樣　　☆擴散模型的似然最大化　　☆將擴散模型應用於具有特殊結構的資料　　☆擴散模型與其他生成模型的連結　　☆擴散模型的應用　　☆GPT及大型語言模型　　人工智慧創造內容的浪潮已來臨，其中包括兩項關鍵技術：大模型技術（如ChatGPT）和擴散模型技術（如Midjourney等AI繪畫）。這些技術背後的深度生成模型可以根據現有資料和程式生成新資料。在現實世界中，資料通常維度高、分佈複雜，尤其是圖像資料，它們在二維空間中的像素點之間存在著複雜的互動關係。這對傳統模型擬合資料分佈提出了挑戰。人們希望AI生成的內容既真實又新穎，不僅是複製既有內容。擴散模型能夠捕捉複雜的資料分佈，產生真實且創新的內容，並實現高效的個性化生產，因此受到廣泛關注。本書為少數從理論及實作上都兼顧的教材，對當今AI狂潮席捲的新時代來說，不想被AI取代的你，這本書是最好的起點。　　本書介紹了許多當今重要擴散模型的技術，第1章介紹AIGC與相關技術，第2章從三個角度介紹擴散模型的基本理論、演算法，此外介紹了擴散模型的神經網路架構和程式實踐。第3章、第4章、第5章分別從擴散模型的高效採樣、擴散模型的似然最大化、將擴散模型應用於具有特殊結構的資料三個方面系統介紹擴散模型的特點，以及後續的改進工作。第6章討論了擴散模型與其他生成模型的連結，包括變分自編碼器、生成對抗網路、歸一化流、自回歸模型和基於能量的模型。第7章介紹了擴散模型的應用。第8章討論了擴散模型的未來——GPT及和大型語言模型。


	目錄第1章 AIGC與相關技術 1.1 AIGC簡介 1.2 擴散模型簡介第2章擴散模型基礎 2.1 去噪擴散機率模型 2.2 基於分數的生成模型 2.3 隨機微分方程 2.4 擴散模型的架構第3章擴散模型的高效採樣 3.1 微分方程 3.2 確定性採樣 3.2.1 SDE求解器 3.2.2 ODE求解器 3.3 基於學習的採樣 3.3.1 離散方式 3.3.2 截斷擴散 3.3.3 知識蒸餾第4章擴散模型的似然最大化 4.1 似然函數最大化 4.2 加噪策略最佳化 4.3 逆向方差學習 4.4 精確的對數似然估計第5章將擴散模型應用於具有特殊結構的資料 5.1 離散資料 5.2 具有不變性結構的資料 5.3 具有流形結構的資料 5.3.1 流形已知 5.3.2 流形未知第6章擴散模型與其他生成模型的連結 6.1 變分自編碼器與擴散模型 6.2 生成對抗網路與擴散模型 6.3 歸一化流與擴散模型 6.4 自回歸模型與擴散模型 6.5 基於能量的模型與擴散模型第7章擴散模型的應用 7.1 無條件擴散模型與條件擴散模型 7.2 電腦視覺 7.2.1 影像超解析度、影像修復和影像翻譯 7.2.2 語義分割 7.2.3 視訊生成 7.2.4 點雲補全和點雲生成 7.2.5 異常檢測 7.3 自然語言處理 7.4 時間資料建模 7.4.1 時間序列插補 7.4.2 時間序列預測 7.5 多模態學習 7.5.1 文字到影像的生成 7.5.2 文字到音訊的生成 7.5.3 場景圖到影像的生成 7.5.4 文字到3D內容的生成 7.5.5 文字到人體動作的生成 7.5.6 文字到視訊的生成 7.6 堅固學習 7.7 跨學科應用 7.7.1 人工智慧藥物研發 7.7.2 醫學影像第8章擴散模型的未來——GPT及大模型 8.1 預訓練技術簡介 8.1.1 生成式預訓練和對比式預訓練 8.1.2 並行訓練技術 8.1.3 微調技術 8.2 GPT及大模型 8.2.1 GPT-1 8.2.2 GPT-2 8.2.3 GPT-3和大模型 8.2.4 InstructGPT和ChatGPT 8.2.5 Visual ChatGPT 8.3 基於GPT及大模型的擴散模型 8.3.1 演算法研究 8.3.2 應用範式附錄A 相關資料說明