这是我学习huggingface上的diffusion course时记录的一些笔记 ，希望能对你有所帮助😊 IntroductionUnconditional models don’t give much control over what is generated. We can train a conditional model that

这是我学习Diffusion时记录的一些笔记 ，希望能对你有所帮助😊 基本概念Diffusion Model（扩散模型）包含两个核心过程： 前向过程 (Forward Process): 这是一个固定的过程。它在 $T$ 个时间步内，逐步地向一个清晰的原始图像 $x_0$ 中添加高斯噪声，直到图像在 $T$ 时刻变为一个纯粹的随机噪声 $x_

这是我学习的一点概率知识时记录的一些笔记 ，希望能对你有所帮助😊 KL散度（Kullback-Leibler Divergence）和JS散度（Jensen-Shannon Divergence）是衡量两个概率分布差异的常用工具，以下是它们的详细解释和对比： 1. KL散度（Kullback-Leibler Divergence） 定义：对

这是我学习2025版本大模型训练部分时记录的一些笔记 ，希望能对你有所帮助😊 大型语言模型「预训练-对齐」这份笔记旨在探讨当前大型语言模型（LLM）主流的「预训练-对齐」(Pretrain-Alignment) 开发范式。我们将深入了解预训练阶段的强大之处，以及对齐阶段的关键作用与其内在的限制。 什么是「预训练-对齐」范式？目前主流的 LLM

这是我学习matplotlib时记录的一些笔记 ，希望能对你有所帮助😊 Matplotlib 机器学习绘图笔记在机器学习流程中，数据可视化是不可或缺的一环，它能帮助我们： **探索性数据分析 (EDA)**：理解数据分布、特征间的关系、发现异常值。 模型评估与诊断：可视化模型性能，如损失函数变化、预测结果与真实值的差异、ROC 曲线等。

这是我学习李宏毅机器学习时记录的一些笔记 ，希望能对你有所帮助😊 1. 生成模型简介 (Introduction of Generative Models)生成模型的核心思想是创建一个能够学习数据内在规律和分布的神经网络，这个网络被称为**生成器 (Generator)**。生成器的任务是从一个简单的、已知的概率分布（如正态分布或均匀分布）中

这是我搬运的CS231n 的讲义 ，希望能对你有所帮助😊 原文链接： link This is an introductory lecture designed to introduce people from outside of Computer Vision to the Image Classification problem, and

这是我时记录的一些笔记 ，希望能对你有所帮助😊 学长记录数据准备 从作者提供的 google drive 链接中下载的 Drivebench.zip 不包含干净数据（即最终 data 目录下的nuscenes/samples子目录缺失）。根据论文附录得知数据源于 drivelm-nuscenes 数据集，因此从该数据集中找到与 corruptio

这是我时记录的一些笔记 ，希望能对你有所帮助😊 1. 序列到序列 (Seq2seq) 任务在深度学习领域，许多任务都可以被归纳为“序列到序列”（Sequence-to-sequence, Seq2seq）问题。这类任务的特点是输入一个序列，模型需要生成另一个序列，并且输出序列的长度可能与输入序列不同，由模型自行决定。 常见的Seq2seq应用包

这是我完成李宏毅机器学习2021作业3时记录的一些笔记 ，希望能对你有所帮助😊 😆 作业2没整出来什么，直接看SOTA 方法了，也就没什么笔记 作业要求Homework 3 - Convolutional Neural NetworkThis is the example code of homework 3 of the machine le