- 博客(5)
- 收藏
- 关注
RSS订阅原创 扩散模型（三）：基于UNet2DModel的扩散模型算法搭建
很明显，UNet2DModel模块相比于BasicUNet更为复杂，使用了约170万个参数（BasicUNet使用了30多万个）。算法的基础上，将BasicUNet更换为UNet2DModel，并修改采样预测的过程即可。这本教材后，对教材里所提的内容进行了自我消化，总结总结。
2024-03-14 19:26:29
713
原创 扩散模型基础（二）：采样过程
采样过程是扩散模型实现数据预测的关键，对实现在高噪声环境下的预测效果具有很重要的意义，也是从Xt寻找最优X0的过程。也就是说，通过在预测模型中通过多次迭代，根据每次最好的预测结果继续往前预测，通过T次迭代后得到较为理想的预测效果。在遇到效果不好的时候，可以采用更多的n_step（如：50次），并调整模型配置、学习率、优化器等，以求获得更好的运行效果。这本教材后，对教材里所提的内容进行了自我消化，总结总结。），对扩散模型的带噪数据预测进行优化。在BasicUNet模型基础上（
2024-03-12 14:44:12
678
原创 扩散模型基础（一）：基于BasicUNet的扩散模型算法搭建
上采样是一种常见的操作，特别是在深度学习中的图像处理任务，比如图像分割（如U-Net架构）和生成对抗网络（GANs）中，可以通过不同的方式实现上采样，包括最近邻插值、线性插值、双线性插值（对于2D数据），三次插值等。我们选取了数据集中的8条数据，并人为添加不同程度的噪声，使用训练好的BasicUnet模型进行预测，得到了预测结果，完成了基于BasicUNet的扩散模型算法的搭建。，有较为详细的数学推导过程。扩散模型的本质是预测噪声，对一张具有噪声的输入量通过预测噪声进行逐步去噪，直至还原的过程。
2024-03-12 09:28:52
2422
1
原创 神经网络基础—基于梯度下降法实现神经网络
一、神经网络的基本含义根据蔡自兴所著的《人工智能原理及应用》的定义：人工神经网络是由大量的人工神经元互相连接，模拟人脑神经系统的结构和功能。主要分为三层：输入层、隐藏层和输出层。输入层是输入我们的样本数据，通过隐藏层的计算得到输出层的结果。其中有几个很重要的函数需要了解：（1）激活函数：由于我们进行学习时很多场景并不一定是线性关系，很多是非线性的关系。但是我们人工神经网络利用的还是线性回归的思想。比如：y = w1 * x1 + w2*x2 + w3 * x3 。 y与x1、x.
2021-05-20 22:07:38
1490
原创 使用torch 本地导入数据集 以Cifar10 为例
刚刚开始学习机器视觉和数据挖掘，使用了一个非常经典的数据集 Cifar10。但是啊，通过官网下载Cifar10，速度实在是让人崩溃。因此为了开展学习我就从其他网站找了数据集下载到了本地。下载地址很多，CSDN上一搜一大把的。下载下来以后好多文章都在讲如何本地导入Cifar，我也尝试了一些他们的办法，但是不太好用。自己一边查阅一边实验，找打了一个基于python3.9以上版本。分享记录一下:import torchfrom torch.utils.data import DataLoa
2021-04-29 11:22:07
1881
3
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