摘要：
在深度学习中，尤其是涉及生成模型（如变分自编码器 VAE）时，我们常常遇到从正态分布中采样的问题。然而，采样操作本质上是随机的，这使得直接从分布中采样是不可微的，这与优化过程中通过梯度反向传播来更新模型参数的需求相冲突。那么，为什么正态分布采样操作是不可微的？重参数化技巧如何解决这一问题？本文将带你 阅读全文
摘要：
扩散模型（Diffusion Models）中的后验分布通常涉及对潜在变量的条件分布进行推导。以下是推导扩散模型中后验分布方差的详细步骤。我们假设扩散过程是逐步添加噪声的过程，每一步根据高斯分布进行采样。扩散模型基于概率扩散过程，它将数据从原始分布逐步转换为噪声分布，然后再通过逆向过程从噪声恢复出原 阅读全文
摘要：
在现代生成模型中，扩散模型（Diffusion Models, DM） 已经成为一种非常强大的方法。它的基本思路是通过逐步向数据中注入噪声，使得数据逐渐变为高斯噪声分布。而在生成任务中，扩散模型通过反向扩散过程，从高斯噪声中逐步去除噪声，恢复原始数据。本文将详细介绍扩散模型的去噪过程、反向转移核的定 阅读全文
摘要：
在机器学习领域，扩散模型（Diffusion Models, DM） 是近年来非常热门的生成模型之一。其背后的核心思想是通过逐步向数据中注入噪声，使得数据从原始的有序状态转变为完全无序的状态（通常为标准高斯分布）。这一过程为后续的反向扩散过程（去噪）提供了基础，帮助模型从噪声中恢复出原始数据。 本文 阅读全文
摘要：
在日常的服务器管理过程中，我们经常会遇到这样一种场景：需要将一台远程主机上的某个目录挂载到本地主机上，以便于进行文件共享、远程操作等。对于Linux用户来说，sshfs 是一个简单而高效的工具，可以轻松地将远程目录挂载到本地文件系统中。本文将为大家详细讲解如何使用sshfs来实现这一操作。 场景描述 阅读全文
摘要：
import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import CubicSpline # 样本数据点(4.0,4.2)，(4.3,5.7)，(4.6,6,6)，(5.3,4.8)，(5.9,4,6) 阅读全文
摘要：
windows下安装conda和安装GPU版本的tensorflow和pytorch 驱动下载 查看自己电脑的独立显卡型号 如：NVIDIA GeForce RTX 3060 在查看自己电脑是否已经安装了显卡驱动，如果显卡可用，那么就是安装了驱动；否则就要到NVIDIA官网下载驱动 NVIDIA驱动 阅读全文
摘要：
import os import urllib.request import zipfile from pprint import pprint import numpy as np import tensorflow as tf import keras as k def set_session( 阅读全文
摘要：
#Tensofrlow #假设我们有一个任务是从图像中预测物体的位置（x坐标和y坐标）和物体的类别。这个任务有三个目标标签：x坐标、y坐标和类别。 import numpy as np import tensorflow as tf from tensorflow import keras from 阅读全文
摘要：
import os import urllib.request import zipfile from pprint import pprint import numpy as np import tensorflow as tf import keras as k def set_session( 阅读全文
摘要：
# python多线程 # 多线程 threading，利用CPU和IO可以同时执行的原理 # 多进程 multiprocessing，利用多核CPU的能力，真正的并行执行任务 # 异步IO asyncio，在单线程利用CPU和IO同时执行的原理，实现函数异步执行 * 使用Lock对资源加锁，防止冲 阅读全文
摘要：
import torch from torch import nn from torch.nn import functional as F from d2l import torch as d2l class Inception(nn.Module): # c1-c4是每条路径的输出通道数 def 阅读全文
摘要：
import torch from torch import nn from d2l import torch as d2l def nin_block(in_channels,out_channels,kernel_size,strides,padding): return nn.Sequenti 阅读全文
摘要：
import torch from torch import nn from d2l import torch as d2l def vgg_block(num_convs,in_channels,out_channels): layers = [] for _ in range(num_convs 阅读全文
摘要：
import torch from torch import nn from d2l import torch as d2l net = nn.Sequential( # (224-11+1+2)/4=54 nn.Conv2d(1,96,kernel_size=11,stride=4,padding 阅读全文