好,那剛才呢,我們是用人想的一些人想的一些function來告訴機器說

什麼樣的東西看起來像是一張正常的image

那事實上我們現在可以做得更好,因為我們知道說現在有一些generated model

我們可以訓練比如說image的generator

你只要先事先收集好一大堆圖片,你就可以教機器怎麼去產生圖片

我們可以訓練這個image的generator,那些image的generator他做的事情是

給他看一個low dimensional的像量,給他看一個低維度的像量

然後他就會把這個低維度的像量,通過這個image的generator以後

變成一張圖片,那通常這個低維度的像量就是從某一個定好的

事先定好的distribution裡面sample出來的

比如說他這個Z可能是從一個Gaussian distribution

或從一個Normal distribution裡面sample出來的

那你把這個Z丟到image的generator裡面,他就會畫一張圖片出來

那怎麼根據這些訓練的資料,訓練出這個image的generator呢?

你可以用GAN或者是VAE的方法,那這堂課裡面我們還沒有講到GAN或者是VAE

沒有關係,你就知道說反正有一些方法可以讓我們訓練出一個generator

這個generator他吃一個random的像量,他輸出又是一張圖片

那我這個generator可以想成就是一個function G

那他的輸出的image X呢,他就是G

輸入的這個low dimensional低維度的像量Z

那怎麼把這個image的generator用來限制我們要機器畫出來的圖片呢?

你可以這麼做,你把image的generator吃一個Z,他就會output一個image X

你把這個image X丟到image的classifier裡面,他就會輸出一個Y

原來如果我們想要知道對機器來說,某一個class I呢

對機器來說某一個class I理想的圖片長什麼樣子的時候

我們是去找一張image,這個image可以讓YI的值越大越好

我們找一個image,他可以讓YI的值越來越好,這是我們原來的做法

如果再加上一個generator以後,我們其實可以這麼做

如果再加上一個generator以後,我們本來是要找一個最好的X

現在我們變成不是找一個最好的X,而是找一個最好的Z

我們希望找到某一個Z,這個Z呢,通過image的generator產生一張圖片

再把這張圖片丟到image的classifier以後

可以讓某一個類別的信心分數越大越好

把Z丟到image的generator產生image,再把image丟到classifier以後

會得到一個Y,然後我們希望能夠讓Y裡面的某一個class

他的值越大越好

那我們就可以,其實這個方法也是用過一些decent解的

因為你可以想像說image的generator跟image的classifier都串在一起

你可以把這個image的generator跟image的classifier串在一起

就變成一個巨大的很深的聯網

好,那你有這個很深的聯網以後呢

這個Z就變成這個很深的聯網的input

這個Y就是這個很深的聯網的輸出

所以你可以用gradient descent的方法,或其實是gradient ascent的方法

因為我們是到next賣這個東西,所以是gradient ascent

你可以去調這個Z,讓你得到一個你理想中的Y

然後呢,你再把這個得到的理想的Z呢

這個最好的Z star呢,丟到generator裡面,畫出你的X star

所以本來我們是直接找一個X star,它可以讓YI呢越大越好

現在我們變成找一個Z star,它可以讓YI越大越好

再把這個Z star丟到generator裡面產生一個image X star

把Z star丟到generator裡面產生image X star

那為什麼要這麼做呢?

你可以想想看這個generator,其實就提供我們一個限制

因為這個generator畫出來的,看起來

這個generator畫出來的東西,看起來都像是正常的圖片

如果我們今天讓機器自己去隨便找一個X

它找出來的X star可能完全不像是我們人可以解釋的人看得懂的image

但是因為這個generator,它產生出來的都是人看得懂的image

看起來都像是一般我們會出現的image

所以你現在把你的這個搜尋的範圍縮減在

你只能夠找一個Z,你只能夠找一個Z

你可以找各式各樣不同的Z,但是你只能找一個Z

這個Z丟到generator,它一定會產生一張好的

它通常會產生一張好的image

你把你搜尋的範圍限制在找一個最好的Z

你就可以確保說你現在找出來的image的X star

看起來像是正常的image

那用這樣的方法你可以得到什麼樣的結果呢?

在文獻上我看到最好的結果大概可以做出來像這個樣子

所以你叫機器,你問機器說

你心裡的螞蟻長什麼樣子呢?

那就畫一堆螞蟻出來

你心裡的修道院長什麼樣子呢?

就畫一堆修道院出來

你心裡的火山長什麼樣子呢?

就畫一堆火山出來

那實際上要真的得到這麼好的結果

還是要動一些手腳的

實際上的方法我就把這個reference

連在左下角給大家參考

那這個就是有關global explanation的部分

想問大家有問題要問嗎?

可以這麼說

生成一個圖片

你可以解釋成說我們一個generator

那本來generator你沒有辦法控制它生成的東西

它就亂亂,它就隨機生成

但是你現在要求generator生成一張圖片

丟到那個pressure pipe以後

pressure pipe覺得說那張圖片是個火山

或者是個螞蟻等等

你控制generator要生成什麼樣的類別的圖片

你也可以這麼解釋

但是這個image classifier

它的discriminator是不一樣的

discriminator它是判斷好或壞

對不對

然後這個image classifier

它是判斷不同的類別

而且這邊跟電腦還不一樣的地方是說

這個image classifier是固定住的

它並沒有跟著generator train

它是被固定住的

而這個generator其實也是固定住的

這個generator不一定要用gain的方法train出來

反正它就是

商號不知道從哪裡來的一個

可以產生圖片的generator

不管它是用gain train出來的

還是用VA train出來的

都可以你把它固定住放在這邊

因為image classifier是4.1序列好

我們現在只是想要解釋它

想要知道說

它心裡看起來的某種圖片長什麼樣子

想要解釋它

所以它還是被固定下來的

然後我們只會去調動這個Z

其他地方都是不會改的

這樣大家有問題要問嗎

請說

它可以產生所有的圖片

但是我們本來沒有辦法控制

它要產生什麼樣的圖片

本來它就是

你隨機就一個向量Z進去

它可能產生貓可能產生狗

可能產生任何的東西

它可以產生各式各樣的圖片

你沒辦法控制它

但是我們現在加這個classifier

就引導它說

因為本來這個Z

你sample不同的Z

你就會產生不同的圖片

有些Z代表狗

有些Z代表貓

但是我們並不知道

哪些Z是狗哪些Z是貓

但是加上這個classifier以後

我們會去假設這個classifier

那個YI你設計的是狗

你現在只要說這個classifier

心裡的狗長什麼樣子

就是找一個Z

這個Z丟到image generator裡頭

它可以產生狗的圖片

這樣有回答到你們的問題嗎

其實你也可以用conditional gate

但因為我們這邊

今天的目標並不是說

要訓練出一個generation

那conditional gate

其實在之後的錄影裡面是有的

但是我們重點並不是要做generation

而是希望透過generation

給我們的content

我們知道對機器來說

會被它辨識成狗的圖片長怎麼樣

或者變成貓的圖片長怎麼樣