富士調(diào)色配方app？我平時比較多用它來做照片的基礎調(diào)整，亮度，對比度，色調(diào)等等，曲線功能極為好用，象的調(diào)色軟件都能夠按照的數(shù)值很視野局限，而snapseed卻可以不能夠做到很比較細膩，廢片一定要用它來

富士調(diào)色配方app？

我平時比較多用它來做照片的基礎調(diào)整，亮度，對比度，色調(diào)等等，曲線功能極為好用，象的調(diào)色軟件都能夠按照的數(shù)值很視野局限，而snapseed卻可以不能夠做到很比較細膩，廢片一定要用它來去挽救！

2.黃油相機

更適合利用做最近非常最流行Plog，有許多付費的字體和貼紙，可愛啊，日系小清新，炫酷，新潮時尚，各種風格都是可以不滿足，四處退出新模板，一鍵備份P圖，讓你的照片在社交圈輕松更出彩。

3.VSCO

這是一個主攻膠片風的app，但是許多超好看的濾鏡不需要會員才能解鎖碼，在淘寶上面3塊錢就是可以買一個絕版的會員號，上百種膠片濾鏡隨便是用，也是極為劃算了！比較遺憾，軟件內(nèi)的HSL功能，用過電腦軟件lightroom的朋友估計清楚這個功能有多好用！

嚴格一點意義上來說這是一款相機app，它模仿的是富士膠片機的冷紫調(diào)質(zhì)感，色彩鮮艷，照片直拍直出，算上閃光燈，超好看的沒不過！

有人稱它為手機版的PS，到我所知道的我用過最好就是是用手機摳圖軟件，其實它不單單可以摳圖，喜歡ins風的朋友一定要來看看這個app里面的貼紙，同樣的大部分是付費的！

6.美圖秀秀

美圖秀秀這個軟件真有很不厲害，從手機修圖軟件結(jié)束流行一直在到現(xiàn)在，它都還沒有掉落下來隊伍，一直都更新完自身的功能，我每次來手機人像后期根本不會最需要美圖秀秀，五官自動識別調(diào)整，一鍵備份上妝，3d立體修容，能去掉斑點等功能，快捷好用。濾鏡我推薦推薦【質(zhì)感】系列。貼紙和涂鴉筆的功能也很好用，社群內(nèi)網(wǎng)友們分享分享的p圖教程很有意思。最近系統(tǒng)更新了也在漸漸地改善吃像素的毛病，不過，是一個綜合能力很強的手機后期軟件！

變分自編碼器（VAE）目前存在哪些問題，發(fā)展方向是什么？

變分自編碼器（VAE）與生成對抗網(wǎng)絡（GAN）一樣的，是無監(jiān)督學習最具前景的方法之一。本文中，牛津大學統(tǒng)計系在讀博士AdamKosiorek從原理上向我們介紹了VAE目前面臨的挑戰(zhàn)。而，文中也提出來了是對該方法的幾種改進方向。

隱變量模型

打比方你只希望是從一個定義在x∈RD上的概率分布來對整個世界建模，其中p（x）意思是x很可能處于的狀態(tài)。這個世界很可能非常緊張，我們根本無法明白了p（x）的具體看形式。替解決這個問題，我們化入兩個變量z∈Rd來具體解釋x的背景信息。比如x是一個圖像，這樣的話z就可以不記錄關(guān)與圖像中可見物體的出現(xiàn)、數(shù)量、類型，以及畫面的背景和光影條件的信息。這個新的變量以至于我們也可以將p（x）它表示為一個能無限水配模型。

這是一個水的混合物模型，因為是對z的任意可能會取值，都分解重組另一個條件分布的位置，并是從z的概率并且加權(quán)，最終換取p（x）。

在這樣的設定下，「計算變量x的觀測值，隱變量z是什么」就成了一個太挺有趣的問題。

也就是說，我們?nèi)绻苊靼缀篁灧植紁(z∣x)?？墒牵瑉和x之間這個可以呈現(xiàn)相同高度的線性關(guān)系（例如，由一個多層神經(jīng)網(wǎng)絡基于），并且，D——我們觀測值的維度，和d——隱變量的維度，也可能會太大。由于邊緣其分布和后驗其分布都要對（1）式積分求值，我們認為它們大都沒能算出的。

我們是可以是從蒙特卡羅抽樣，參照p(x)≈1M∑Mm1p(x∣z(m))p(x)≈1M∑m1Mp(x∣z(m)),z(m)～p(z)來估計（1）式，但導致z的空間肯定相當大，我們可能會是需要上百萬個z的樣本，來得到一個靠譜的估計。

在訓練一個概率模型的時候，我們也可以可以使用參數(shù)其分布-它的參數(shù)由一個參數(shù)為θ∈Θ的神經(jīng)網(wǎng)絡來確認。現(xiàn)在，我們就這個可以使用頗大似然肯定來去學習能夠得到這些參數(shù)。

這里的問題是，我們無法價值最大化（1）式，畢竟我們無法估計它。是為解決這個問題，我們是可以求教于有用抽樣（importancesampling）。當我們需要對遠古時期（名義分布的位置）概率密度分布（pdf）毛估估一個期望值時，IS以至于我們也可以從另一個有所不同的概率其分布（建議其分布）中隨機取樣，然后把將這些樣本對名義分布求期望。用q?(z∣x)來表示我們的建議分布-其中的參數(shù)由參數(shù)為?∈Φ的神經(jīng)網(wǎng)絡判斷。我們也可以能得到：

根據(jù)重要性抽樣的文獻解得，最優(yōu)化的建議分布，與名義分布特點乘以2某個函數(shù)成比例，其中這個函數(shù)的期望是我們只希望大概的。在我們的設定下，「某個函數(shù)」是p（x|z）。參照貝葉斯定理，p(z∣x)p(x∣z)p(z)/p(x)，看到，更優(yōu)我建議你分布與后驗其分布成比例，顯然，后驗分布特點根本無法求解答。

變分自編碼器的誕生

幸運的是，很顯然我們也可以一石三鳥：按照一個學習到的建議分布的位置來另一種大概后驗分布特點，我們也可以快速有效的我得到邊緣分布的位置pθ(x)的估計。在這里，我們無意地間換取了一個快板碼的設定。替學習我們的模型，我們不需要：

pθ(x,z)-生成模型，其中中有：

pθ(x∣z)-一個概率形式的解碼器，和

p(z)-一個定義在隱變量上的先驗分布

q?(z∣x)-一個概率形式的編碼器

為了另一種估計后驗廣泛分布，我們這個可以借用建議分布和后驗廣泛分布之間的KL散度（可以明白為兩個概率其分布之間的距離），不過我們這個可以最小化這個結(jié)果。

這會兒，我們面臨的新問題那就是：目的是計算出KL散度，我們不需要知道后驗分布特點。不是他沒有可能，如果利用一點點代數(shù)乘除運算，我們就能能得到可以不可以計算的目標函數(shù)。

我在第二行發(fā)動了對數(shù)項，在第三行可以使用了貝葉斯定理在內(nèi)pθ(x)和z是單獨的的事實。到最后一行中的L(xθ,?)是對數(shù)概率廣泛分布pθ(x)的下界-即通常所說的的證據(jù)下界（ELBO）。我們按照整理好是可以我得到：

只需要一個從我建議你分布特點中抽得的樣本，我們就可以不能得到類似估記：

我們是從尋找風選擇最大化ELBO的?和θ（常見不使用必掉梯度下降）來訓練模型：

實際最大化ELBO，我們或（1）最大化邊緣分布特點，或（2）最小化窗口KL散度，或而結(jié)束。要盡量，ELBO的另一種大概是f(x)1、重要性權(quán)重為w(x)pθ(x,z)q?(z∣x)的重要性隨機取樣的期望的對數(shù)形式。

這個大概量有啥？

如果沒有你足夠觀察的看重要性抽樣，就能發(fā)現(xiàn)到，對建議分布特點的支撐應該比對名義廣泛分布的支撐更應用范圍——應該是同樣盡量避免估計量方差無限大的空間和數(shù)值的不穩(wěn)定性。在這里，好是是來優(yōu)化軟件KL(p∣∣q)的倒數(shù)——因為它有模式平均性質(zhì)，而不是什么系統(tǒng)優(yōu)化KL（q∣∣p），來試圖模式q去不兼容能找到一個好是的模式p。這意味著我們要從虛無飄渺的后驗廣泛分布中并且抽樣，而這是很麻煩的。另外其它的東西，我們可以不使用ELBO的IS肯定，作為重要性加權(quán)自編碼器（IWAE）。這里的想法很簡單點：我們從建議其分布中收集k個樣本，并內(nèi)中可以計算出平均概率比，這里的每一個樣本也叫「粒子」。

巳經(jīng)證明，這個估計也量是在優(yōu)化修正后的KL散度KL(qIS∣∣pIS)，其中qIS和pIS的定義分別是：

哪怕和原始分布但卻接近，但qIS和pIS不允許q和p中存在地預想以外的小的變動。原始論文中證明，系統(tǒng)優(yōu)化這個下界可以不能夠得到更好的生成模型。同樣它也具體了一個近似后驗分布的位置q的熵大得多的估計（更寬，更分與合），并成功的超越了原始KL散度的模式不兼容方法。還有一個三個有趣的的結(jié)果，如果我們令粒子K的數(shù)量不等于無窮無盡，我們就可以不是需要斷定模型q。

IWAE（第一行）和VAE（第二行）中z的后驗分布的位置。圖像從IWAE論文中重現(xiàn)歷史能得到。

IWAE問題？

重要性加權(quán)ELBO，或IWAE，怎么推廣了各種的ELBO：是對K1，我們有LKL1L。同樣有l(wèi)ogp(x)≥Ln1≥Ln≥L1。另外一點，我們用來估記LK的粒子一定，它的結(jié)果就會越距離數(shù)據(jù)都是假的對數(shù)概率分布——即「界限越緊」。這意味著和遺留下來ELBO的梯度相比較，對IWAE求微分得到的梯度估記量也可以解決我們不能找到一個更好的梯度方向。除此之外，伴隨著K的增加，梯度肯定量的方差會你所選快速收縮。

是對生成模型這些點的很好，但對付建議廣泛分布的時候，變會出現(xiàn)問題。緊接著K的減小，見意其分布中參數(shù)的梯度的大小會趨向于0，但是比方差收斂得又要快。

令Δ(?)它表示我們優(yōu)化的目標函數(shù)（即ELBO）在?上的梯度的小批量大概。假如定義參數(shù)沒更新的信號-噪聲比（SNR）萬分感謝：

其中E和V各表示希望和方差。一眼就可以看出相對于pθ，SNR緊接著K增加而提高，但相對于q?，SNR緊接著K提升而增大。這里的結(jié)論很簡單?。何覀冊谟玫牧Ｗ釉蕉?，我們的推斷模型效果就會越差。假如我們在乎的是意思是自學，我們可能會遇到了問題了。

更好的估計量

正如我們在最近的論文《Tighter Variational Bounds are Not Necessarily Better》中證明的，我們可以能得到比IWAE好的結(jié)果。思路是在推斷和生成模型中在用差別的目標，按照這種方法，我們是可以只要兩個目標中都能得到小方差非零梯度，終于我得到更好的模型。

有所不同的訓練目標在訓練時期中信號-噪聲比

在上圖中，我們比較比較了我建議你分布q?的參數(shù)?z在更新完中的SNR。SNR高了的VAE最系統(tǒng)優(yōu)化L1來訓練。SNR最多的IWAE則最360優(yōu)化L64。中間的三條曲線可以使用的是完全不同的組合：生成模型中使用的L64，斷定模型中不使用的則是L8或L1。在當前指標下，它們效果確實沒有VAE好，但訓練訓練出的建議分布和生成模型都比在用VAE或IWAE得到的好。

這里有一個令人驚訝的副作用：在用我們新的大概量訓練的模型比建議使用IWAE本身訓練的模型提升到了更高的L64界限。為啥會這樣的？按照研究最有效樣本量（ESS）和數(shù)據(jù)的邊緣概率分布特點的對數(shù)，倒是是最360優(yōu)化L1，可能導致了性質(zhì)最好就是的建議分布可是性質(zhì)最差的生成模型。如果我們將三個好的建議分布和一個也可以結(jié)論好的生成模型的目標生克制化在一起，我們估計這個可以得到這個目標的一個方差更小的估計，哪怕因此這個可以換取更好的模型。請在這里查找我們論文的詳情。

論文：TighterVariationalBoundsareNot Necessarily Better

論文地址：

摘要：我們同樣在理論和經(jīng)驗上相關(guān)證明，不使用更緊的信息下界（ELBO）可能會并進一步影響實際降低梯度大概量的信號-噪聲比來自學猜想網(wǎng)絡的過程。我們的結(jié)果對目前廣為應用形式的隱含假設：「更緊的ELBO是聯(lián)立模型學和推斷攤銷模式中更最合適的變分目標」做出了質(zhì)疑。據(jù)我們的研究，我們提議了三個新的算法：偏重要性加權(quán)自編碼器（PIWAE）、多層重要性加權(quán)自編碼器（MIWAE）這些組織重要性加權(quán)自編碼器（CIWAE）；在這三個算法中，標準的重要性自編碼器（IWAE）都可以不作為一個特殊情況。我們可以證明了這三個自編碼器都是可以在IWAE的基礎上提出效果實力提升——即使我們不使用的是IWAE中的目標來測試出來效果。進一步來說，和IWAE比起，PIWAE是可以而提升到推斷網(wǎng)絡和生成網(wǎng)絡的效果。