GPT在自然語言處理上取得了有目共睹的成就，包括BERT，RoBERTa，T5等眾多無監(jiān)督或自監(jiān)督學習方法輪番登場拿下了一個又一個語言高地。自然語言處理高歌猛進的同時圖像領域不甘心了，也在躍躍欲試想要利用類似的模型學習出可以用于分類任務的有效特征來。
Transformer家族的模型基本上可以直接處理任何形式的1D數(shù)據(jù)，于是研究人員就想到將2D圖像拉伸為長長的1D圖像序列，利用與GPT－2模型類似的技術構建了用于處理像素序列的iGPT模型。
在詳細的實驗分析后研究人員發(fā)現(xiàn)，模型顯現(xiàn)出對于2D圖像特征的理解能力，包括有效的個體和類別的理解。模型可以在沒有人工指導情況下生成連續(xù)的圖像樣本，實現(xiàn)圖像補全，同時可以在多個分類數(shù)據(jù)集上實現(xiàn)先進的分類性能，并在ImageNet實現(xiàn)了非常接近最優(yōu)秀無監(jiān)督方法精度水平。這證明了這類生成序列模型可以作為通用的無監(jiān)督學習算法。
在使用GPT－2類似的架構時，雖然需要更多的計算來達到基于卷積的非監(jiān)督學習水平，然而這種方法在面對全新領域時，大型的GPT－2模型無需針對特定領域架構進行設計就可以學習出非常有效的特征和優(yōu)異的性能。
下面讓我先來看看iGPT應用于圖像補全和樣本生成任務下的一些結果，下圖中紅色框是原始圖像，藍色框中是模型補全的結果。可以看到模型很好的恢復出了另一半缺失的圖像，并在不同的生成結果中添加了各種語義特征的對象。
1234下一頁>（免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。 ）
