2501_93812251的博客

原创 ai照片生成

治愈系卡通插画风格，幼儿园户外草坪场景，棕发男孩穿蓝白背带短裤，扎双马尾的黑发女孩戴红色大蝴蝶结、穿粉色连衣裙，两人笑着追逐打闹，周围飘着七彩透明泡泡，背景有红黄配色的滑梯、秋千，草地开满缤纷小花，蓝天缀着软白云朵，整体色彩明亮柔和，充满童真欢快氛围。“特写镜头下的嫩芽生长场景，破土而出的豆苗嫩绿鲜亮，两片新叶脉络清晰、带着细绒毛，豆荚还连在茎部，湿润的棕褐色泥土旁沾着晶莹水迹，浅灰背景突出嫩芽的生机感，柔和光线打在叶片上，尽显生命萌发的清新治愈，写实风格的微观植物摄影。

原创 光的折射控制器

reflect_ray, = ax.plot([], [], color=light_color, linewidth=2, linestyle=':', label='反射光线')ax.fill_betweenx([-5, 0], -5, 5, color='#fff3e0', alpha=0.5, label='介质2 (n₂)')ax.fill_betweenx([0, 5], -5, 5, color='#e0f7fa', alpha=0.5, label='介质1 (n₁)')

原创 CV技术的应用现状、CNN模型识别图像中对象的流程

CNN 通过 “从浅到深的层级特征提取”，把原始图像的像素信息逐步转化为高层语义特征，最终通过分类器完成对象识别，整个过程依赖卷积核的权值学习，实现对图像对象的精准匹配与判断。工业制造该领域是 CV 技术的重要落地场景，且正从 2D 视觉向 3D 视觉转型。在质检环节，2D 视觉借助 YOLO 等开源模型满足常规缺陷检测需求，而 3D 视觉结合结构光技术，已实现钢材轮廓、汽车涂胶等高精度检测；在半导体行业，其可快速识别晶圆复杂缺陷以保障芯片良品率。

原创 NLP、自注意机制、Transformer

⚙️ --- ### 经典结构对比（论文原版） | 组件 | 核心子层 | 关键特点 | 典型用途 | |---|---|---|---| | 编码器层（6 层堆叠） | 多头自注意力、FFN | 全局上下文建模，并行处理 | 文本理解、分类 | | 解码器层（6 层堆叠） | 掩码多头自注意力、编码器 - 解码器注意力、FFN | 因果生成，对齐输入 | 翻译、摘要、生成 | --- ### 训练与推理要点 - 训练：采用批量并行训练，常用交叉熵损失；二、什么是自注意力机制。自注意力机制与NLP的关系。

原创 【无标题】四个模型及关系

一、 四个模型的应用场景核心是通过生成器和判别器的对抗训练生成数据，适合需要 “逼真对抗生成” 的场景。按顺序逐元素生成数据，擅长 “序列依赖型” 生成任务，保证输出的连贯性。通过逐步去噪生成数据，生成质量高、细节丰富，目前是图像生成的主流。聚焦视觉任务的高效特征提取，核心优势是 “轻量、快速”，适合端侧视觉应用。二、似然函数、最大似然函数与生成模型的关系似然函数是衡量生成模型贴合真实数据的 “评分工具”，最大似然是训练生成模型的 “核心目标”，生成模型的本质就是通过最大化似然找到最贴合真实数据分布的生成规

原创 Python数据

原创 人工智能

人工智能历史发展的思维导图。