Variational Autoencoder徹底解説 - Qiita
今回はディープラーニングのモデルの一つ、Variational Autoencoder(VAE)をご紹介する記事です。ディープラーニングフレームワークとしてはChainerを使って試しています。 VAEを使うとこんな感じの画像が作れるようになります。VAEはディープラーニングによる生成モデルの１つで、訓練データを元にその特徴を捉えて訓練データセットに似たデータを生成することができます。下記はVAEによって生成されたデータをアニメーションにしたものです。詳しくは本文をご覧ください。 本記事で紹介している内容のPythonコードはコチラにあります。 1. Variational Autoencoderとは？ まず、VAEとはどんなものであるかを説明したいと思いますが、その前に通常のオートエンコーダーについて触れたいと思います。 1-1. 通常のオートエンコーダー オートエンコーダーとは、 教師
Auto-Encoding Variational Bayes [arXiv:1312.6114]
概要 Auto-Encoding Variational Bayes を読んだ はじめに 最近名前をよく聞くようになった変分オートエンコーダ（Variational AutoEncoder）の基礎となる確率的勾配変分ベイズ（SGVB）について自分なりにまとめます。 参考 20150717-suzuki.pdf SGVB vb-nlp-tutorial.pdf 変分下限 問題設定 データを$\boldsymbol x$、隠れ変数を$\boldsymbol z$、パラメータを$\boldsymbol \theta$とし、同時確率分布$p_{\boldsymbol \theta}(\boldsymbol x, \boldsymbol z) = p_{\boldsymbol \theta}(\boldsymbol x\mid\boldsymbol z)p_{\boldsymbol \theta}(
VAEでキャラクターの設定を作る。 - Qiita
※１７０６０６追記しました。 人工知能（機械学習）を使って、創作支援をするシリーズを連載します。 とりあえず第一弾として機械にキャラクターの設定を自動生成させたいと思います。 背景 近年、売上が急増するソーシャルゲームでは、キャラクター数が過去のコンテンツと比べ爆発的に増加している傾向にあります。 例えば、艦隊これくしょんでは350、Fate／GrandOrderでは150以上のキャラクターが確認されています。[要出典] 多様化するキャラクターの設定創出を、機械学習で行うモデルの構築と検証を行います。 手法 1. LSTMVAE 使用したのはLSTMVAEです。 VAEはニューラルネットによる生成モデルです。 musyokuさんが詳しく説明されているので、解説はこちらをどうぞ。 Auto-Encoding Variational Bayes 雑に説明しますと、オートエンコーダー（入力と出力
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
