marcorealacci/master-degree-notes
1
0
Fork 0
Code Issues Pull requests Projects Releases Packages Wiki Activity Actions

vault backup: 2024-12-03 18:14:41

Browse source
This commit is contained in:
Marco Realacci 2024-12-03 18:14:41 +01:00
parent 1756a2e365
commit 1f8cdf5479
2 changed files with 3 additions and 4 deletions
Download patch file Download diff file Expand all files Collapse all files

2
Foundation of data science/notes/8 Variational Autoencoders.md
View file

@ -8,7 +8,7 @@ Prendendo campioni da questa distribuzione e mandandoli in input al decoder, ott
(p.s. supporrò che i vettori x siano immagini)
$p(x)$: la vera distribuzione di x, ovvero la distribuzione del dataset. NON LA SI CONOSCE, altrimenti sarebbe tutto bello.
Esempio: ipotizzando di avere un dataset con immagini di numeri, un'immagine che rappresenta il numero "1" avrà un valore alto di p(x), un'immagine che rappresenta un cazzo curvo avrà un valore basso di p(x).
Esempio: ipotizzando di avere un dataset con immagini di numeri, un'immagine che rappresenta il numero "1" avrà un valore alto di $p(x)$, un'immagine che rappresenta un cazzo curvo avrà un valore basso di $p(x)$.
$p(z)$ la distribuzione della variabile latente. Solitamente si usa una gaussiana $N(0, I)$, dove I è la matrice identità. La dimensione della matrice è la dimensione dello spazio latente z: ogni $z_{i}$ ha valore medio 0 e varianza 1.