06 2024 档案

Diffusion模型

摘要：参数说明 beta_schedule = np.linspace(0.0001, 0.02, 1000) # 示例 beta schedule alpha_hat = np.cumprod(1 - beta_schedule) # 计算 alpha_hat 具体例子让我们通过一个具体的例子展示如何阅读全文

posted @ 2024-06-09 21:33 GraphL 阅读(38) 评论(0) 推荐(0) 编辑

指标学习

摘要：这些数值看起来是合理的，但是否合理还需要根据具体的应用场景和数据集来评估。以下是对这些指标的简要解释和合理性分析：指标分析 AUROC (Area Under the ROC Curve): 0.891 解释: AUROC 是衡量分类模型性能的指标，值在 0.5 到 1 之间，越接近 1 表示模型阅读全文

posted @ 2024-06-02 17:53 GraphL 阅读(36) 评论(0) 推荐(0) 编辑

Diffusion模型

摘要：扩散模型的工作原理大致如下：正向扩散过程（Forward Diffusion Process）：这是一个将数据逐渐破坏的过程，通常通过添加噪声来实现。这个过程可以看作是一个马尔可夫链，从原始数据分布开始，每一步都增加一些噪声，直到数据完全变成纯噪声。反向扩散过程（Reverse Diffusi 阅读全文

posted @ 2024-06-02 17:25 GraphL 阅读(49) 评论(0) 推荐(0) 编辑