算法面试合集：DDPM、DDIM、Transformer、Wide&Deep......

于 2024-08-10 10:19:35 发布
阅读量62 收藏
点赞数 1
分类专栏： 算法 文章标签： 面试 transformer Swin-T WideDeep
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41915623/article/details/141086723
版权

本人今年（2023年）参加了很多面试，也有幸拿到了一些大厂的开发和算法offer，整理了众多面试资料，后续还会分享众多面试资料。
整理成了面试系列，由于时间有限，每天整理一点，后续会陆续分享出来，感兴趣的朋友可关注+收藏

1. 经典模型

扩散模型(一)——DDPM推导笔记-大白话推导
扩散模型(二)——DDIM学习笔记-大白话推导
白话Wide & Deep_推荐系统经典论文
白话Transformer&常见面试问题
Swin-Transformer白话详解

2.高频问题

深度学习之L1和L2正则化，为什么L1正则化更容易导致稀疏？（高频问题）
深度学习之激活函数

陈壮实的搬砖生活
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
昇思25天学习打卡营第19天|Diffusion扩散模型
数字人生
07-07 931
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪的扩散过程 𝑝𝜃 ：通过训练神经网络从纯噪声开始逐渐对图像去噪，直到最终得到一个实际的图像。
视频生成Sora的全面解析：从AI绘画、ViT到ViViT、TECO、DiT、VDT、NaViT等
热门推荐
结构之法 算法之道
02-18 3万+
真没想到，举例视频生成上一轮的集中爆发才过去三个月，没想OpenAI一出手，该领域又直接变天了自打2.16日OpenAI发布sora以来，不但把同时段Google发布的Gemmi Pro 1.5干没了声音，而且网上各个渠道，大量新闻媒体、自媒体(含公号、微博、博客、视频)做了大量的解读，也引发了圈内外的大量关注，很多人因此认为，视频生成领域自此进入了大规模应用前夕，好比NLP领域中GPT3的发布一开始，我还自以为视频生成这玩意对于有场景的人，是重大利好，比如在影视行业的；
Sora之前的视频生成发展史：从Gen2、Emu Video到PixelDance、SVD、Pika 1.0
结构之法 算法之道
11-27 1万+
第一种是基础模式（Basic Mode），用户只需要提供一张指导图片+文本描述，PixelDance 就可以生成有高度一致性且有丰富动态性的视频，其中指导图片可以是真实图片，也可以利用现有的文生图模型生成。而达到这样拔群的视频生成效果，并没有依赖复杂的数据集和大规模的模型训练，PixelDance 在公开的 WebVid-10M 数据集上仅用 1.5B 大小的模型就达到了上述效果。)，引发了开源社区的大量关注和讨论。迈出了关键性的一步，其生成结果的动态性显著优于目前现有的其它模型，引起了业界的关注。
Diffusion扩散模型-昇思25天打开
bearang的博客
07-22 707
Diffusion扩散模型-昇思25天打开
昇思25天学习打卡营第16天|Diffusion扩散模型，DCGAN生成漫画头像
jing1452的博客
07-31 993
如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程 𝑞q ：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声。
一文详解扩散模型：DDPM
supeerzdj的博客
07-18 665
这里我们以DDPM为例介绍了另一个派系的生成算法：扩散模型。扩散模型是一个基于马尔可夫链的数学模型，它通过预测每个时间片添加的噪声来进行模型的训练。作为近日来引发热烈讨论的ControlNet， Stable Diffusion等模型的底层算法，我们十分有必要对其有所了解。DDPM的实现并不复杂，这得益于大量数学界大佬通过大量的数学推导将整个扩散过程和反向去噪过程进行了精彩的化简，这才有了DDPM的大道至简的实现。
MAGNETEK
mingxiang1128的专栏
12-25 1397
"上海明想电子科技有限公司 我公司所有的产品直接从境外进货，能够提供不同国别、厂商的设备配件， 解决您多处寻找的麻烦和对产品质量的担心等,在价格上我们有很大的优势， 欢迎来电咨询，我们将会给您最优质的服务！联系人：杜小姐 TEL：021-31261686 FAX：021-31261686-605 QQ：712734995 MSN:angel6766@live.cn"  Manufacturer P
asp adodb.stream对象的方法/属性
10-30
Dim streamObj Set streamObj = Server.CreateObject("ADODB.Stream") streamObj.Open "http://example.com/file.txt", adModeUnknown, adOpenStreamAsync ' 模拟异步打开 streamObj.Cancel ' 取消异步打开 ``...
EfficientDet-master.zip
04-13
EfficientDet项目代码，包含efficientdet预训练模型、训练好的模型。包含efficientnet-b0_weights_tf_dim_ordering_tf_kernels_autoaugment_notop.h5、efficientdet-d0.h5等，可训练、可测试。
encrypt.vbs 内容加密vbs实现代码
09-05
加密就是将明文数据通过特定算法转换为密文的过程，以防止未经授权的人员获取信息。在这个encrypt.vbs脚本中，作者采用了一种自定义的字符替换加密方法。 代码的开头部分： ```vb rem 本人不能保证文件能改过来. ...
ADO方式填充树型框.rar
04-04
Dim conn As New ADODB.Connection conn.Open "Provider=Microsoft.Jet.OLEDB.4.0;Data Source=C:\Database.mdb" ``` 2. **创建Command对象**：创建一个Command对象，用以执行SQL查询获取部门信息。 ```vb Dim...
dim.js:dim.js
06-01
dim.js 是与 配套使用的前端模块管理框架，dim 通过 release 环节将计算出的模块列表、别名、依赖关系、配置等信息传递给 dim.js，由 dim.js 负责运行时的模块加载、合并请求、缓存等工作。 主要 API 说明 require....
15：00面试，15：08就出来了，问的问题有点变态。。。
2301_78276982的博客
08-05 1万+
整份文档一共有将近 200 页，全部为大家展示出来肯定是不太现实的，为了不影响大家的阅读体验就只展示了部分内容，还望大家海涵，希望能帮助到您面试前的复习且找到一个好的工作，也节省大家在网上搜索资料的时间来学习！
【面试经验】滴滴 秋招储备实习 前端面经
litterfinger的博客
08-05 566
时间线：5.15 11点半一面，下午2点半二面。● 不知道盒子宽高情况下水平垂直居中。● scale是怎么放大盒子宽高的。● transform的属性。滴滴秋招储备实习 前端面经。● 文件断点续传+切片上传。● 自我介绍+项目介绍。
LeetCode面试题Day5|LeetCode274 H指数
最新发布
m0_74174715的博客
08-08 325
H指数
redis面试（六）分布式锁开篇
weixin_41011482的博客
08-06 442
为什么要使用分布式锁，zk和reids都是怎么实现分布式锁的
前端面试宝典【CSS篇】【4】
BDawn的专栏
08-06 243
盒子模型是 CSS 中用于描述 HTML 元素布局方式的一个概念。在 CSS 中，每个元素都被视为一个矩形盒子，这个盒子由几个不同的部分组成：内容区（content）、内边距（padding）、边框（border）和外边距（margin）。 box-sizing 属性是 CSS 中的一个重要属性，它用于定义元素的盒模型是如何工作的。 CSS Sprites（也称为 CSS 精灵或 CSS 雪碧图）是一种优化网页性能的技术，它将多个小图像合并成一个单一的大图像文件
面试：ArrayList和LinkedList
yuanmomoya的博客
08-07 386
*存储结构：**ArrayList使用数组作为底层数据结构，数据在内存中是连续存储的，因此支持随机访问非常快速。**插入与删除操作：**在ArrayList中，如果插入或删除元素，可能会导致数组元素的移动，从而影响性能。而LinkedList在插入和删除操作上具有明显优势，因为只需修改指针的指向，不需要移动大量元素。**随机访问性能：**由于ArrayList的数组连续存储特性，它在随机访问上具有很好的性能。**迭代性能：**在迭代（遍历）操作上，ArrayList由于连续存储的特性，性能通常较好。
diffusion中classifier.py，ddim.py，ddpm.py，plms.py作用
06-14
这些代码文件是与Diffusion模型相关的辅助代码文件，其作用如下： 1. `classifier.py`：这个文件定义了一个分类器模型，该模型用于训练Diffusion模型中的噪声水平估计器。该模型使用ResNet架构，并在ImageNet上进行预训练。训练时，该模型使用对比学习方法进行优化。 2. `ddim.py`：这个文件实现了Diffusion模型中的DDIM算法，该算法用于在Diffusion过程中对噪声水平进行估计。DDIM算法使用了一个分类器模型，该模型在训练时使用对比学习方法进行优化。 3. `ddpm.py`：这个文件实现了Diffusion模型中的DDPM算法，该算法用于在Diffusion过程中对潜在代码进行采样。DDPM算法使用了一个基于PixelCNN++的生成模型，该模型在训练时使用了一个类似于GAN的对抗训练方法。 4. `plms.py`：这个文件实现了Diffusion模型中的PLMs算法，该算法用于在Diffusion过程中对潜在代码进行采样。PLMs算法使用了一个基于VQ-VAE的生成模型，该模型在训练时使用了一个类似于GAN的对抗训练方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值