Deep Generative Models
通过概率模型与研究论文，理解生成模型的训练目标、采样方法与应用。
当前已整理 17 / 24 个计划主讲单元，其余内容后续补充。另有 2 篇预备与补充材料。
关于这组笔记
个人自学讲义，参考 Fall 2024 公开 slides 与阅读清单；论文研讨部分依据论文整理，后续讲次仍在编写。
查看原课程资料适合的起点
建议熟悉概率、微积分、线性代数与深度学习。
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 19 篇预备知识
课程讲义
- Lecture 01Lecture 1 · Introduction: What Is a (Deep) Generative Model
- Lecture 02Lecture 2 · Image Priors: Generative Models Before Deep Learning
- Lecture 03Lecture 3 · Variational Autoencoders, EM and VQ-VAE
- Lecture 04Lecture 4 · Normalizing Flows
- Lecture 05Lecture 5 · Autoregressive Models
- Lecture 06Lecture 6 · Classic Autoregressive Models: From NADE to PixelCNN and IAF
- Lecture 07Lecture 7 · Tokenizers and Autoregressive Generation
- Lecture 08Lecture 8 · Autoregression Meets Diffusion
- Lecture 09Lecture 9 · Generative Adversarial Networks
- Lecture 10Lecture 10 · Scaling GANs: Text-to-Image and Distillation
- Lecture 11Lecture 11 · Modern GAN Theory: Convergence, Noise and Scores
- Lecture 12Lecture 12 · Energy-Based Models, Score Matching and Diffusion Models
- Lecture 13Lecture 13 · Diffusion in Practice: Guidance, Distillation and High Resolution
- Lecture 14Lecture 14 · Diffusion without Gaussian Denoising
- Lecture 15Lecture 15 · Discrete Diffusion
- Lecture 16Lecture 16 · Flow Matching
- Lecture 17Lecture 17 · Scaling Flow Matching, and Discrete Flow Matching
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 MIT6.S978 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。