- 博客(11)
- 收藏
- 关注
RSS订阅原创 图像生成大模型
（1）了解图像嵌入的概念和优势。（2）了解图像生成大模型的基本工作流程。（3）了解海内外主流图像生成大模型的基本情况。（4）练习体验海内外主流图像生成大模型。首先要了解图像嵌入是图像的数字表示，它是对图像中内容的语义进行编码的结果。通常，图像嵌入是通过CLIP（contrastive language-image pre-training，对比文本-图像对的预训练）模型计算得到的，CLIP模型使用文本和图像对的大型数据集进行训练。训练的目标是建立对图像和文本之间关系的“理解”。CLIP模型能够为图像和文本创
2025-12-25 09:22:35
703
原创 体验AI代码生成
print(f"最长递增路径长度: {result2}") # 预期输出: 7 (路径之一: 1->2->3->4->5->6->7->8)print(f"最长递增路径长度: {result1}") # 预期输出: 4 (路径: 1 -> 2 -> 6 -> 9)directions = [(0, 1), (1, 0), (0, -1), (-1, 0)] # 右，下，左，上。print(f"第 {k3} 小的元素是: {result3}") # 预期输出: 4。
2025-12-22 19:01:26
761
原创 Python | OpenCV | 图像处理 | 入门实验 | 对比度增强 | 裁剪
图像处理”听起来高大上，其实用 20 行 Python 就能跑起来。今天带大家在10 分钟内完成一次真实可跑的实验：把一张机器人照片robot.jpg切成左上角；再把亮度 / 对比度拉满；最后保存成新图。读完你就能向室友炫耀：我写的代码能让照片“发光”！今天我们只做了两件事：用切片裁剪图像；用提亮对比度。但已经覆盖了数字图像处理 7 大环节里的“图像采集 → 图像增强 → 图像表示” 三步。下一步你可以挑战：边缘检测 →cv2.Canny人脸检测 →磨皮美颜 → 双边滤波。
2025-12-08 19:30:20
587
原创 什么是自注意力机制。自注意力机制与NLP的关系
自注意力机制通过动态、全局、并行的依赖建模，彻底改变了NLP的任务处理方式。它不仅解决了传统模型的长距离依赖和并行化难题，还启发了预训练语言模型（如BERT、GPT）的发展，成为现代NLP的基石。灵活性：自动学习任意位置的关联，无需人工设计特征。效率性：并行计算加速训练，支持大规模数据。通用性：可扩展至图像、语音、时间序列等其他领域。
2025-11-27 09:46:08
394
原创 Transformer架构的工作原理
Transformer通过自注意力机制和并行计算，革新了序列建模方式，成为现代深度学习的基石架构。其核心思想——动态捕捉全局依赖，不仅推动了NLP的发展，也启发了计算机视觉、语音处理等领域的创新。后续变体（如稀疏注意力、线性注意力）进一步优化了效率，使其在更广泛场景中发挥作用。
2025-11-27 09:42:41
759
原创 似然函数，最大函数与生成模型的关系
三句话背下来①.似然函数是生成模型统一的“逼真度标尺”。②.最大似然是理想，算法只在乎“能不能算”——能算就硬算，算不动就玩下界，下界也不要就换散度。③.所以看生成模型别被花哨名字吓到，先问一句：它到底怎么偷瞄这把“似然”尺子？
2025-11-07 11:03:45
428
原创 5 类主流深度生成模型（GAN、自回归、扩散、VAE、标准化流）各自“最拿手的生产/工业场景”各列 1–2 个真实可落地的例子，方便直接“对号入座”。
速记口诀GAN 快增强，AR 逐点唱，扩散精但慢，VAE 监控棒，Flow 可逆算概率，五大模型各一篇。
2025-11-06 09:39:25
246
原创 用可变线性回归算法预测房价（机器ai学习案例）
-------------------------- 手动实现线性回归（无scikit-learn依赖，原理更清晰） --------------------------# -------------------------- 带趋势线的可视化（更直观展示线性关系） --------------------------# -------------------------- 生成500条模拟数据 --------------------------
2025-10-30 09:47:00
759
5
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人