1. WGAN（Wasserstein GAN）简介
2. WGAN是生成对抗网络（GAN）的一种改进版本。传统GAN在训练过程中存在一些问题，如训练不稳定、生成样本质量不高以及模式崩溃（生成器只能生成有限的几种模式）等。WGAN通过引入Wasserstein距离（推土机距离）作为生成器和判别器之间的损失函数，有效地缓解了这些问题。

3. 它的核心思想是使用Wasserstein距离来衡量生成数据分布和真实数据分布之间的差异，从而使生成器能够更好地学习到真实数据的分布特征。

4. WGAN的结构与原理

5. 判别器（Critic）的变化
   • 在传统GAN中，判别器是一个二分类器，输出样本是来自真实数据还是生成数...

Read more

1. 定义
2. Wasserstein距离，也被称为“推土机距离”（Earth - Mover's Distance，EMD），用于衡量两个概率分布之间的距离。从直观上来说，它可以被理解为将一个概率分布转换为另一个概率分布所需要的最小“工作量”。对于两个概率分布(P)和(Q)，假设存在一个联合分布(\gamma(x,y))，其边缘分布分别是(P)和(Q)，那么(Wasserstein)距离（以(p = 1)为例）定义为(W_1(P,Q)=\inf_{\gamma \in \Pi(P,Q)}\sum_{x,y}\vert x - y\vert\gamma(x,y))，其中(\Pi(P,Q))是所有...

Read more

1. 定义
2. JS divergence（Jensen - Shannon divergence）即詹森 - 香农散度，是一种衡量两个概率分布之间相似性的度量方法。它基于信息论中的KL散度（Kullback - Leibler divergence）构建。对于两个概率分布(P)和(Q)，首先定义(M=\frac{1}{2}(P + Q))，那么JS散度的计算公式为(JSD(P||Q)= \frac{1}{2}KL(P||M)+\frac{1}{2}KL(Q||M))，其中(KL)散度(KL(A||B)=\sum_{x}A(x)\log\frac{A(x)}{B(x)})（在离散情况下）。本质上...

Read more

浓缩版

从不可能出发，解锁颠覆式创新密码

一、颠覆式创新的真正内涵

• 周鸿祎的解读：使事物更易、更廉价，低端颠覆高端，微小创新叠加促成质变
• 与马云观点的契合：淘宝发展历经“看不见、看不起、看不懂、来不及”阶段，契合颠覆式创新过程

二、颠覆式创新缘何从不可能开始

• 初期易被忽视：新模式起初渺小不起眼，如淘宝 C2C 模式初期被高端品牌忽视
• 发展中遭轻视：发展中虽获关注但被轻视，同行难以理解其创新逻辑，如淘宝融巨资后仍被部分同行误判
• 需要量变积累：漫长积累微小创新元素，达一定程度引发质变，如微信等互联网产品功能迭代与用户积累

三、不同视角下的颠覆式创新

• 持续性改善与颠覆式创新对比：持续...

Read more

1. 定义
2. 正态分布（Normal Distribution），也称为高斯分布（Gaussian Distribution），是一种非常重要的概率分布。它的概率密度函数是一个钟形曲线，其数学表达式为：(f(x)=\frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{(x - \mu)^{2}}{2\sigma^{2}}})，其中(\mu)是均值（mean），它决定了分布的中心位置；(\sigma)是标准差（standard deviation），它决定了分布的宽度或者说离散程度。当(x = \mu)时，函数取得最大值，曲线关于(x=\mu)对称。
3. 特征
4. 对称性：正态分布的...

Read more

BigGAN 概述

1. 定义与背景 BigGAN 是生成对抗网络（GAN）领域中具有重要影响力的一种架构，旨在生成高分辨率、高质量且多样化的图像。它建立在传统 GAN 的基础之上，通过一系列创新的设计和改进来克服以往 GAN 在生成大规模、逼真图像时面临的诸多难题，比如生成图像的质量有限、容易出现模式崩溃（生成图像种类单一）以及难以控制生成内容等问题。

2. 核心目标 其核心目标是能够根据给定的随机噪声向量以及可选的类别条件信息，生成出与真实图像在视觉上高度相似、细节丰富并且具有丰富多样性的图像，涵盖人脸、动物、风景等各类常见的图像类别，在图像生成任务中展现出强大的性能，为众多需要高质量图...

Read more

一、Progressive GAN（渐进式生成对抗网络）概述

1. 定义与背景
2. Progressive GAN是生成对抗网络（GAN）的一种高级变体。GAN主要由生成器（Generator）和判别器（Discriminator）组成，通过两者的对抗训练来生成数据。而Progressive GAN在GAN的基础上，创新性地采用了渐进式的训练方法，以生成更高质量的图像等数据。

3. 传统GAN在生成高分辨率图像时会面临一些问题，比如训练不稳定、生成的图像质量不高（容易出现模糊、细节缺失等情况）。Progressive GAN的出现就是为了解决这些问题，它能够生成具有丰富细节、高分辨率的图像，例如生成...

Read more

以下是一个金融投顾智能体的详细实现计划：

第一阶段：需求分析与技术选型（第 1 - 2 周）

• 与金融领域专家、潜在客户进行深入交流，明确金融投顾智能体的功能需求，包括但不限于客户信息管理、市场数据采集与分析、投资策略制定、交易执行与风险管理等核心功能，以及用户界面的设计要求、性能指标和安全标准。
• 开展技术调研，评估不同技术栈在实现金融投顾智能体方面的优缺点。确定后端开发采用 Python 的 Django 框架，因其强大的数据库管理和快速开发能力；前端选用 Vue.js 框架结合 Element UI 组件库构建用户界面，以实现良好的交互体验；数据库方面，关系型数据库采用 MySQL ...

Read more

金融投顾智能体架构设计

一、业务架构

（一）业务领域划分

1. 客户管理：
   • 客户信息录入与维护，包括个人基本信息（姓名、年龄、联系方式等）、财务状况（资产、负债、收入、支出等）、投资目标（短期收益、长期增值、风险偏好等）以及风险承受能力评估结果。
   • 客户投资组合跟踪，实时监测客户已投资资产的表现，如股票市值变化、基金净值波动、债券收益情况等，并及时反馈给客户和投顾智能体。
   • 客户关系维护，通过定期推送个性化投资报告、市场动态分析、投资建议回访等方式，增强客户粘性与满意度。
2. 市场数据采集与分析：
   • 从多个权威金融数据源（如证券交易所、金融数据提供商、新闻媒体等）采集各类金融数据，包括股票价格、成...

Read more

1. 基本概念
2. 在生成对抗网络（GAN）中，判别器（Discriminator）是其中一个核心组件。GAN主要由生成器（Generator）和判别器组成。生成器的目的是生成尽可能逼真的数据，而判别器的目的是区分输入的数据是来自真实的数据分布还是由生成器生成的假数据。
3. 例如，以生成手写数字图像为例。生成器会尝试从随机噪声向量生成看起来像手写数字的图像。判别器则会接收真实的手写数字图像（来自数据集，如MNIST数据集）和生成器生成的手写数字图像，然后判断每个图像是真实的还是生成的。
4. 数学原理
5. 从数学角度看，设真实数据分布为(P_{data}(x))，生成器生成的数据分布为(P_{g}(x))。判...

Read more