生成式 AI 可视化

这些课程介绍学习得到的表示与数据生成方法。自编码器把已有输入编码到潜在空间，再重建输入；GAN 和扩散模型从噪声生成样本。单个合理样本不能证明生成效果，因为模型可能每次都输出同一个结果。要同时检查样本落在哪里，以及遗漏了哪些数据区域。

课程内容

课程	观察内容	实验检验的问题
自编码器	训练后的编码器和解码器通过小型潜在编码重建 8×8 图像	扩大瓶颈可改善所选数字，却不能让只训练过数字的解码器复制任意图像
GAN	两个小网络学习一维分布，D 先更新判断，G 再通过固定的 D 学习	判别器平均分接近 0.5 不等于分布匹配；相同潜在输入在训练后仍产生相同输出
扩散模型	确定性 DDIM 采样器对二维样本反复应用精确的解析去噪器	高噪声下的一次估计可能落在数据群之间，改变噪声水平并反复估计才能逐步恢复结构

若不熟悉参数更新与评估，先学训练循环。自编码器以原输入作为重建目标，介绍潜在表示。接着学 GAN：生成样本没有一一配对的真实目标。第一次更新 D 时，评分曲线改变，G 的输出位置不变；更新 G 时，曲线固定，输出位置改变。最后用新的一批潜在输入生成样本，说明生成阶段不再需要 D。

再学扩散模型，观察迭代生成。这里的去噪器是已知分布的精确计算，不是课堂中训练的神经网络。固定初始噪声，比较第一次干净样本估计和反复去噪后的结果。

GAN 实验确实优化两个小网络，损失和输出可能振荡，400 轮不能证明收敛。扩散实验固定去噪器，只研究采样，不展示图像模型的训练优化。

GAN 与扩散使用低维合成分布，让缺失的数据群可见。邻域计数描述有限批次，不是通用图像质量指标。自编码器使用未参与训练的数字和陌生棋盘格测试重建。比较某个参数时，应固定输入和其他控制项。

选择课程，运行默认实验，检查训练或采样步骤，再尝试失败场景。