# 后续阅读：学习目标、模型架构和采样方式分别是什么

后续课程预备或按需选读，不列为本讲必讲内容。
[独立阅读](/course/blocks/generation-following-course-map.html)**课堂上下文：从哪个问题来**
Caption 已经展示了以图像为条件生成文字。接下来把问题推进到更多输出：训练怎样学习条件下的多种可能，使用时怎样产生其中一个样本？第四讲将比较生成路线；本讲的多解算例提供共同起点。


第三讲先带走三件事：训练答案从哪里来，任务输出需要保留与读取什么，语言加入后还需建立什么对应。第四讲把问题转为“模型怎样学习一组可能结果，并从中产生一个样本”。



GAN 通过判别反馈组织生成学习；VAE 用潜变量概率模型和可采样先验连接编码与生成；扩散从构造的破坏过程学习恢复相关预测。自回归已在 caption 中出现，用一连串条件预测组织生成。它们是后续比较入口，不在本页展开完整算法，也不是按课堂顺序互相淘汰的历史。



还要分清三种层次。网络架构规定一次预测怎样计算；训练目标规定参数依据什么反馈更新；采样或解码规定怎样使用已学预测产生结果。Transformer 是架构名称，不能直接等同于某种生成目标。更详细的 RNN、attention、Transformer 留第五讲；扩展定律与训练系统留第六讲；近似索引和检索工程留第八讲。



深读时可以沿原厚材料的生成信号、不同模态与解码算例继续，但先完成第三讲的接口理解即可。视频的时间连续和三维的多视角一致性在第四讲继续，不把它们变成第三讲末尾四个新的主讲专题。

**出处：**[Coding with AI 课程大纲](https://codingai.pages.dev/)
## 继续阅读与实验