CS236 · 深度生成模型

这门课讲什么

斯坦福深度生成模型课，系统讲自回归模型、变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型与评估方法——今天的图像/视频生成都建立在这些之上。

为什么重要

生成式 AI 是当下最热的方向之一。CS236 把”模型如何生成数据”这条线讲透，让你理解扩散、AIGC 背后的原理，而不只是会调工具。

怎么学不踩坑

概率与变分推断门槛较高，公式多。建议每讲一个模型就配一份参考实现对照着读，先把扩散模型这条当下最主流的线吃透。

学到什么程度算过关

能讲清扩散模型的基本原理，并跑通一个小型生成模型。

高频英文术语

理解 AIGC / 扩散背后的原理，先掌握这套生成模型词汇：

• Generative Model 生成模型 —— 学会“造出新数据”的一类模型。
• Autoregressive Model 自回归模型 —— 一个接一个地生成（如逐像素、逐 token）。
• Variational Autoencoder (VAE) 变分自编码器 —— 用隐变量+变分推断做生成。
• Generative Adversarial Network (GAN) 生成对抗网络 —— 生成器与判别器对抗训练。
• Latent Variable 隐变量 —— 隐藏在数据背后、不可直接观测的因素。
• Normalizing Flow 标准化流 —— 用可逆变换构造可算似然的生成模型。
• Diffusion Model 扩散模型 —— 加噪再学去噪，当下图像/视频生成主流。
• Evidence Lower Bound (ELBO) 证据下界 —— VAE 优化的目标函数。
• KL Divergence KL 散度 —— 衡量两个概率分布的差异。
• Score-Based Model 基于分数的模型 —— 与扩散密切相关的一类方法。
• Sampling 采样 —— 从模型分布里抽出新样本。
• Likelihood 似然 —— 模型认为某数据出现的概率，常作训练目标。