第 1 章 為什么要用深度生成模型1
1.1 AI 不只是做決策 1
1.2 在哪里使用（深度）生成模型 3
1.3 如何定義（深度）生成模型 4
1.3.1 自回歸模型 5
1.3.2 流模型 5
1.3.3 隱變量模型 6
1.3.4 能量模型 7
1.3.5 概論 7
1.4 本書的目的和內(nèi)容 8
1.5 參考文獻(xiàn) 9
第 2 章 自回歸模型 13
2.1簡(jiǎn)介 13
2.2 由神經(jīng)網(wǎng)絡(luò)參數(shù)化的自回歸模型 14
2.2.1 有限記憶 14
2.2.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長距記憶 15
2.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的長距記憶 16
2.3 深度生成自回歸模型實(shí)踐 19
2.4 還未結(jié)束 22
2.5 參考文獻(xiàn) 24
第 3 章 流模型27
3.1 連續(xù)隨機(jī)變量的流模型 27
3.1.1 簡(jiǎn)介 27
3.1.2 深度生成網(wǎng)絡(luò)中的變量替換 30
3.1.3 構(gòu)建 RealNVP 的組件 32
3.1.4 流模型實(shí)踐 33
3.1.5 代碼 34
3.1.6 還未結(jié)束 38
3.1.7 ResNet 流模型和 DenseNet 流模型39
3.2 離散隨機(jī)變量的流模型 41
3.2.1 簡(jiǎn)介 41
3.2.2 R 中還是 Z 中的流模型 44
3.2.3 整形離散流模型 45
3.2.4 代碼 49
3.2.5 接下來的工作 53
3.3 參考文獻(xiàn) 54
第 4 章 隱變量模型 57
4.1 簡(jiǎn)介 57
4.2 概率主成分分析 58
4.3 變分自動(dòng)編碼器：非線性隱變量模型的變分推理60
4.3.1 模型和目標(biāo) 60
4.3.2 ELBO 的不同解讀 61
4.3.3 VAE 的組件 62
4.3.4 VAE 實(shí)踐 65
4.3.5 代碼 66
4.3.6 VAE 的常見問題 71
4.3.7 還有更多 72
4.4 改進(jìn)變分自動(dòng)編碼器 75
4.4.1先驗(yàn) 75
4.4.2 變分后驗(yàn) 92
4.5 分層隱變量模型 99
4.5.1簡(jiǎn)介 99
4.5.2 分層 VAE 103
4.5.3 基于擴(kuò)散的深度生成模型 112
4.6 參考文獻(xiàn) 121
第 5 章 混合建模128
5.1簡(jiǎn)介 128
5.1.1 方法一：從最簡(jiǎn)單的情況開始128
5.1.2 方法二：共享參數(shù)化 130
5.2 混合建模 130
5.3 代碼實(shí)現(xiàn) 132
5.4代碼 134
5.5后續(xù) 138
5.6 參考文獻(xiàn) 139
第 6 章 基于能量的模型 141
6.1簡(jiǎn)介 141
6.2 模型構(gòu)建 143
6.3訓(xùn)練 145
6.4代碼 147
6.5 受限玻爾茲曼機(jī)150
6.6結(jié)語 153
6.7 參考文獻(xiàn) 154
第 7 章 生成對(duì)抗網(wǎng)絡(luò) 157
7.1簡(jiǎn)介 157
7.2 使用生成對(duì)抗網(wǎng)絡(luò)做隱含建模159
7.3 代碼實(shí)現(xiàn) 162
7.4 不同種類的生成對(duì)抗網(wǎng)絡(luò)167
7.5 參考文獻(xiàn) 169
第 8 章 用于神經(jīng)壓縮的深度生成模型 171
8.1簡(jiǎn)介 171
8.2 通用壓縮方案 172
8.3 簡(jiǎn)短介紹：JPEG 174
8.4 神經(jīng)壓縮：組件175
8.5后續(xù) 185
8.6 參考文獻(xiàn) 185
附錄 A 一些有用的代數(shù)與運(yùn)算知識(shí) 187
A.1 范數(shù)與內(nèi)積 187
A.2 矩陣運(yùn)算188
附錄 B 一些有用的概率論和統(tǒng)計(jì)學(xué)知識(shí)190
B.1 常用概率分布190
B.2 統(tǒng)計(jì)學(xué) 192
索引 194