【中文普通话】4.5小时学习深度生成模型

学习生成式人工智能（Generative AI）与稳定扩散、生成对抗网络（GAN）、变分自编码器（VAE）等，使用Colab和Python

你将学到什么：
探索生成模型的各个方面，全面了解其机制和能力。
全面了解自回归（AR）模型的原理和细节，并学习如何使用Python从头开始编写和训练它们。
学习变分自编码器（VAE）模型的原理和细节，以及如何使用Python编码和训练它们。
深入了解生成对抗网络（GAN）的原理和细节，并掌握使用Python编码和训练它们的技巧。
熟悉归一化流模型的基本原理。
了解扩散模型的原理和细节，包括Dall-E2、Imagen和稳定扩散，并学习如何使用Python编码和训练它们。
掌握这种具有颠覆性潜力的技术的技能，该技术有望改变未来。

要求：
没有硬性先决条件
为了充分理解所有细节，建议具备基本的数学、统计和神经网络知识。
为了充分理解编码部分，建议具备基本的Python理解。
不需要在您的计算机上安装任何软件。

描述：
生成式人工智能是人工智能领域的新兴领域，具有巨大的潜力。它能够生成合成数据并支持人类创造力，使其在多媒体、艺术、设计和产品开发等各个领域越来越受欢迎。根据Gartner的排名，生成式人工智能是一种“具有颠覆性潜力的技术，能够生成基于人类创造力的艺术品，保证创新结果不受人类经验和思维过程的偏见影响”。通过本课程，您可以深入了解生成式人工智能的理论和实践。您将探索当前在生成式人工智能中使用的不同类型的模型，掌握它们，并编写自己的代码生成独特的图像。课程的每个部分都以对模型工作原理的直观解释开始，然后深入讲解实现的细节。我们使用Python和Pytorch在Colab笔记本中逐行解释代码，确保您完全理解实现的过程。通过本课程，您将对主要的扩散、生成对抗网络、Glow、Imagen、Imagenet、修复、知识蒸馏、Kullbak-Leibler散度、LSTM、对数似然、MNIST、神经网络、归一化流、openCLIP、文字绘画、PixelCNN、Pixel RNN、Python、Pytorch、Row LSTM、稳定扩散、StyleGAN、超分辨率、文本编码器、文本到图像、unCLIP、通用逼近理论、WGAN、WGAN-GP等有一个清晰的理解。

适合人群：
对生成式人工智能感兴趣的好奇者
希望跟上最新人工智能技术的技术爱好者
对生成模型（自回归、变分自编码器、生成对抗网络、流、扩散）的工作原理有详细描述的人
希望学习如何从头开始编写Python代码生成图像的开发人员
希望扩展自己知识的机器学习专家