iPAS-初級AI應用規劃師-鑑別式AI與生成式AI的整合應用（下）

Mohamed Nohassi on Unsplash

1.生成對抗網路（GAN, Generative Adversarial Network）

• 概念：由生成器（Generator, G）和判別器（Discriminator, D）組成，透過對抗訓練（Adversarial Training） 來提升生成效果，目標是讓生成器生成的數據能夠騙過 判別器：
• • 生成器：負責隨機生成新的數據。
  • 鑑別器：負責判斷數據是真實的還是由生成器產生的。
• 應用：
• • 圖像生成（如DCGAN、VQGAN）
  • Deepfake 技術（如換臉技術）
  • 提升解析度（SRGAN）（如低解析度影像放大）

2.變分自編碼器（VAE, Variational Autoencoder）

• 概念：是基於機率模型的生成模型，核心在於將輸入數據轉換成隱變數空間（Latent Space），並透過隨機取樣生成新數據。
• 應用：
• • 數據增強（生成新訓練樣本）
  • 影像重建（如醫學影像去雜訊）
  • 手寫數字生成（MNIST）

3.自回歸模型（Autoregressive Models）

• 概念：透過遞歸方式逐步生成數據，每個步驟基於前面的輸出。
• 應用：
• • 文本生成（如 GPT）
  • 語音合成（如 WaveNet）
  • 圖像生成（如 PixelCNN）

4.Transformer

• 概念：Transformer 是透過自注意力機制（Self-Attention） 計算每個詞與其他詞的關聯性、多頭注意力（Multi-Head Attention）學習不同特徵，來捕捉長距離依賴關係。
• 應用：
• • 聊天機器人（如 ChatGPT）
  • 自動摘要（如 AI 生成新聞摘要）
  • 程式碼自動補全（Copilot）

5.擴散模型（Diffusion Models）

• 概念：透過逐步去噪（Denoising Process） 來生成數據，核心是從純雜訊恢復出清晰數據。
• 應用：
• • 圖像生成（如Stable Diffusion、DALL·E、Midjourney）

我是TN科技筆記，如果喜歡這篇文章，歡迎留言、點選愛心、轉發給我支持鼓勵～

也歡迎每個月請我喝杯咖啡，鼓勵我撰寫更多科技文章，一起跟著科技浪潮前進！！

>>>請我喝一杯咖啡