区别在于，在监督学习时代，我们的学习任务受到更多限制。我们必须设计出一套我们想要发现的概念本体论。 比如在 ImgeNet 中，和她的学生们花了很多时间思考 ImgeNet 挑战赛中的一千个类别应该是什么。而在同时期的其他数据集，如用于目标检测的OO数据集，他们也花了很多心思去决定放入哪些个类别。 那么让我们谈谈生成式 。
当我攻读博士学位的时候
在你们出现之前，我上过 ndrew Ng 的机器学 手机号码数据 习课程，还学过 Dne er 非常复杂的贝叶斯课程，对我来说这些都很复杂。 当时的很多内容都是预测建模。我还记得你解锁了整个视觉领域的东西，但是生成式 大约是在过去四年中才出现的。这对我来说是一个完全不同的领域——你不再是识别物体，也不是在预测什么，而是在生成新的东西。
所以也许我们可以谈谈是什
么关键因素让生成式 得以实现，它和之前的 其核心是利益相关者 不同之处，以及我们是否应该以不同的方式去看待它，它是否是一个连续发展的部分还是另一个全新的领域？ Feifei i 这非常有趣，即使在我研究生时代，生成模型就已经存在了。我们当时就想做生成，只不过没人记得了，即使是用字母和数字做生成，我们也在尝试一些事情。 当时有一些关于生成的论文，我们也在思考如何生成。 实际上，如果你从概率分布的角度来看，数学上是可以进行生成的，人感到惊艳。所以，尽管从数学理论上来看生成的概念是存在的，但实际上没有任何生成效果让人感到满意。 然后我想特别提到一位博士生，他在深度学习方面有着浓厚的兴趣，来到了我的实验室。
这个博士生的整个博士学习
经历几乎可以说是这个领域发展 ew线索 轨迹的缩影。 他的第一个项目是数据，我逼着他做，尽管他不喜欢，但事后他也承认学到了很多有用的东西。“现在我很高兴你能这么说。”于是我们转向深度学习，核心问题是如何从图像生成文字。实际上，这个过程中有三个明确的阶段。 第一个阶段是将图像和文字进行匹配。我们有图像，也有文字，接下来我们要看它们之间的关联度。我的第一篇学术论文，也是我的第一篇博士论文，研究的就是基于场景图的图像检索。接下来，我们继续深入研究，从像素生成文字，这方面他和 ndrej 都做了很多工作，但依然是一种非常有损的生成方式，信息从像素世界中获取时损失很大。
