Deep Generative Models
从概率建模的角度理解深度生成模型的表示、训练与采样。
关于这组笔记
个人自学讲义，参考公开课程材料与相关论文整理，并补充推导与实验。
查看原课程资料适合的起点
建议熟悉概率、线性代数、微积分与深度学习。
本系列为个人学习整理，非学校官方发布，不代表学校或授课教师的认可或背书。
沿着目录阅读
当前 18 篇课程讲义
- Lecture 01Lecture 1 · 导论：什么是深度生成模型 · Introduction: What Are Deep Generative Models?
- Lecture 02Lecture 2 · 背景：表示概率分布——贝叶斯网络、生成式与判别式、神经网络参数化 · Background: Representing Probability Distributions
- Lecture 03Lecture 3 · 自回归模型 · Autoregressive Models
- Lecture 04Lecture 4 · 最大似然学习 · Maximum Likelihood Learning
- Lecture 05Lecture 5 · 隐变量模型（一）：混合模型、边际似然与 ELBO · Latent Variable Models I
- Lecture 06Lecture 6 · 隐变量模型（二）：变分推断与变分自编码器 · Variational Inference and the VAE
- Lecture 07Lecture 7 · 归一化流（一）：变量替换公式 · Normalizing Flows I: The Change of Variables
- Lecture 08Lecture 8 · 归一化流（二）：耦合层、自回归流与并行 WaveNet · Normalizing Flows II
- Lecture 09Lecture 9 · 生成对抗网络（一）：两样本检验与 GAN · Generative Adversarial Networks I
- Lecture 10Lecture 10 · 生成对抗网络（二）：f-GAN、WGAN、BiGAN 与 CycleGAN · Generative Adversarial Networks II
- Lecture 11Lecture 11 · 能量模型（一）：表示、配分函数与对比散度 · Energy-Based Models I
- Lecture 12Lecture 12 · 能量模型（二）：MCMC、得分匹配与噪声对比估计 · Energy-Based Models II
- Lecture 13Lecture 13 · 得分模型（一）：去噪得分匹配与朗之万动力学 · Score-Based Models I
- Lecture 14Lecture 14 · 得分模型（二）：多尺度噪声、NCSN 与 SDE · Score-Based Models II
- Lecture 15Lecture 15 · 生成模型的评估 · Evaluation of Generative Models
- Lecture 16Lecture 16 · 基于得分的扩散模型 · Score-Based Diffusion Models
- Lecture 17Lecture 17 · 离散隐变量模型 · Discrete Latent Variable Models
- Lecture 18Lecture 18 · 离散数据的扩散模型 · Diffusion Models for Discrete Data
从讲义到代码
按课程目录整理的配套示例，保留各单元的文件结构。阅读讲义时，可以下载整套代码，在本地逐步探索。
下载 CS236 代码请在独立虚拟环境中查看依赖后运行；未附模型权重和运行产物；示例未逐一验证。