"深學細悟築基石，任憑風浪起，穩步邁進通用人工智能用本書可可繫統學習自回歸模型、流模型、隱變量模型、基於能量的模型等學會本書可構建可又快又準地作出決策的AI繫統這種AI繫統將從生成的角度來理解周邊世界"

●第1章為什麼要用深度生成模型1
1.1AI不隻是做決策1
1.2在哪裡使用（深度）生成模型3
1.3如何定義（深度）生成模型4
1.3.1自回歸模型5
1.3.2流模型5
1.3.3隱變量模型6
1.3.4能量模型7
1.3.5概論7
1.4本書的目的和內容8
1.5參考文獻9
第2章自回歸模型13
2.1簡介13
2.2由神經網絡參數化的自回歸模型14
2.2.1有限記憶14
2.2.2基於循環神經網絡的長距記憶15
2.2.3基於卷積神經網絡的長距記憶16
2.3深度生成自回歸模型實踐19
2.4還未結束22
2.5參考文獻24
第3章流模型27
3.1連續隨機變量的流模型27
3.1.1簡介27
3.1.2深度生成網絡中的變量替換30
3.1.3構建RealNVP的組件32
3.1.4流模型實踐33
3.1.5代碼34
3.1.6還未結束38
3.1.7ResNet流模型和DenseNet流模型39
3.2離散隨機變量的流模型41
3.2.1簡介41
3.2.2R中還是Z中的流模型44
3.2.3整形離散流模型45
3.2.4代碼49
3.2.5接下來的工作53
3.3參考文獻54
第4章隱變量模型57
4.1簡介57
4.2概率主成分分析58
4.3變分自動編碼器：非線性隱變量模型的變分推理60
4.3.1模型和目標60
4.3.2ELBO的不同解讀61
4.3.3VAE的組件62
4.3.4VAE實踐65
4.3.5代碼66
4.3.6VAE的常見問題71
4.3.7還有更多72
4.4改進變分自動編碼器75
4.4.1先驗75
4.4.2變分後驗92
4.5分層隱變量模型99
4.5.1簡介99
4.5.2分層VAE103
4.5.3基於擴散的深度生成模型112
4.6參考文獻121
第5章混合建模128
5.1簡介128
5.1.1方法一：從最簡單的情況開始128
5.1.2方法二：共享參數化130
5.2混合建模130
5.3代碼實現132
5.4代碼134
5.5後續138
5.6參考文獻139
第6章基於能量的模型141
6.1簡介141
6.2模型構建143
6.3訓練145
6.4代碼147
6.5受限玻爾茲曼機150
6.6結語153
6.7參考文獻154
第7章生成對抗網絡157
7.1簡介157
7.2使用生成對抗網絡做隱含建模159
7.3代碼實現162
7.4不同種類的生成對抗網絡167
7.5參考文獻169
第8章用於神經壓縮的深度生成模型171
8.1簡介171
8.2通用壓縮方案172
8.3簡短介紹：JPEG174
8.4神經壓縮：組件175
8.5後續185
8.6參考文獻185
附錄A一些有用的代數與運算知識187
A.1範數與內積187
A.2矩陣運算188
附錄B一些有用的概率論和統計學知識190
B.1常用概率分布190
B.2統計學192
索引194

構建通用人工智能的關鍵就是無監督學習，而不需要標簽來訓練模型，最簡單的方法就是使用深度生成模型。本書主要講述如何將概率建模和深度學習結合起來去構建可以量化周邊環境不確定性的強大的 AI 繫統。這種AI繫統可以從生成的角度來理解周邊世界。本書涵蓋了深度生成模型的多種類型，包括自回歸模型、流模型、隱變量模型、基於能量的模型等。這些模型構成了以 ChatGPT 為代表的大語言模型，以及以 Stable Diffusion 為代表的擴散模型等深度生成模型背後的技術基石。
本書適合具備微積分、線性代數、概率論等大學本科水平，並且了解機器學習、Python 及PyTorch 等深度學習框架的學生、工程師和研究人員閱讀。無論讀者的背景如何，隻要對深度生成模型有興趣，都能從本書中獲益。

(波)傑克布·M.湯姆扎克 著 王冠 譯