构建通用人工智能的关键就是无监督学习，而不需要标签来训练模型，最简单的方法就是使用深度生成模型。本书主要讲述如何将概率建模和深度学习结合起来去构建可以量化周边环境不确定性的强大的AI系统。这种AI系统可以从生成的角度来理解周边世界。本书涵盖了深度生成模型的多种类型，包括自回归模型、流模型、隐变量模型、基于能量的模型等。这些模型构成了以ChatGPT为代表的大语言模型，以及以Stable Diffusion为代表的扩散模型等深度生成模型背后的技术基石。
本书适合具备微积分、线性代数、概率论等大学本科水平，并且了解机器学习、Python及PyTorch等深度学习框架的学生、工程师和研究人员阅读。无论读者的背景如何，只要对深度生成模型有兴趣，都能从本书中获益。

Jakub M.Tomczak（杰克布·M.汤姆扎克）
阿姆斯特丹自由大学计算智能小组的人工智能助理教授、弗罗茨瓦夫理工大学机器学习博士，曾在阿姆斯特丹高通人工智能研究公司担任深度学习研究员（员工工程师），以及玛丽·斯克洛多夫斯卡-居里教授的个人研究员。研究兴趣包括概率建模、深度学习、近似贝叶斯建模和深度生成建模（特别关注变分自动编码器和基于流的模型）。

第1章 为什么要用深度生成模型
1.1 AI不只是做决策
1.2 在哪里使用（深度）生成模型
1.3 如何定义（深度）生成模型
1.3.1 自回归模型
1.3.2 流模型
1.3.3 隐变量模型
1.3.4 能量模型
1.3.5 概论
1.4 本书的目的和内容
1.5 参考文献
第2章 自回归模型
2.1 简介
2.2 由神经网络参数化的自回归模型
2.2.1 有限记忆
2.2.2 基于循环神经网络的长距记忆
2.2.3 基于卷积神经网络的长距记忆
2.3 深度生成自回归模型实践
2.4 还未结束
2.5 参考文献
第3章 流模型
3.1 连续随机变量的流模型
3.1.1 简介
3.1.2 深度生成网络中的变量替换
3.1.3 构建RealNVP的组件
3.1.4 流模型实践
3.1.5 代码
3.1.6 还未结束
3.1.7 ResNet流模型和DenseNet流模型
3.2 离散随机变量的流模型
3.2.1 简介
3.2.2 R中还是Z中的流模型
3.2.3 整形离散流模型
3.2.4 代码
3.2.5 接下来的工作
3.3 参考文献
第4章 隐变量模型
4.1 简介
4.2 概率主成分分析
4.3 变分自动编码器：非线性隐变量模型的变分推理
4.3.1 模型和目标
4.3.2 ELBO的不同解读
4.3.3 VAE的组件
4.3.4 VAE实践
4.3.5 代码
4.3.6 VAE的常见问题
4.3.7 还有更多
4.4 改进变分自动编码器
4.4.1 先验
4.4.2 变分后验
4.5 分层隐变量模型
4.5.1 简介
4.5.2 分层VAE
4.5.3 基于扩散的深度生成模型
4.6 参考文献
第5章 混合建模
5.1 简介
5.1.1 方法一：从最简单的情况开始
5.1.2 方法二：共享参数化
5.2 混合建模
5.3 代码实现
5.4 代码
5.5 后续
5.6 参考文献
第6章 基于能量的模型
6.1 简介
6.2 模型构建
6.3 训练
6.4 代码
6.5 受限玻尔兹曼机
6.6 结语
6.7 参考文献
第7章 生成对抗网络
7.1 简介
7.2 使用生成对抗网络做隐含建模
7.3 代码实现
7.4 不同种类的生成对抗网络
7.5 参考文献
第8章 用于神经压缩的深度生成模型
8.1 简介
8.2 通用压缩方案
8.3 简短介绍：JPEG
8.4 神经压缩：组件
8.5 后续
8.6 参考文献
附录A 一些有用的代数与运算知识
A.1 范数与内积
A.2 矩阵运算
附录B 一些有用的概率论和统计学知识
B.1 常用概率分布
B.2 统计学
索引