摘要：
目录参考概率密度函数的变量变换 参考 https://zhuanlan.zhihu.com/p/685921518 概率密度函数的变量变换 这个知识点叫做 ** 概率密度函数的变量变换（Change of Variable for Probability Density Function, PDF） 阅读全文
posted @ 2025-07-30 10:35
jack-chen666
阅读(213)
评论(0)
推荐(0)
摘要：
目录第一部分：GAN 的核心理论 - “伪造者”与“鉴赏家”的博弈第二部分：从 GAN 到 DCGAN - 为图像而生的进化第三部分：PyTorch 代码实现 (DCGAN 生成 MNIST 手写数字) 第一部分：GAN 的核心理论 - “伪造者”与“鉴赏家”的博弈 想象一个场景：一个新手伪造者（G 阅读全文
posted @ 2025-07-29 20:53
jack-chen666
阅读(76)
评论(0)
推荐(0)
摘要：
第一阶段：奠定基础 (机器学习与深度学习) 目标：理解图像生成所必需的神经网络、优化算法、反向传播等核心概念。 推荐资源： 书籍：《动手学深度学习》(Deep Learning with PyTorch/TensorFlow/MXNet) 链接 (GitHub): https://github.co 阅读全文
posted @ 2025-07-29 19:03
jack-chen666
阅读(64)
评论(0)
推荐(0)
摘要：
目录模型训练样本生成总结pytorch实现 参考：https://zhuanlan.zhihu.com/p/614498231 模型训练 我们可以直接基于原始数据 \(X_0\) 来对任意 \(t\) 步的 \(X_t\) 进行采样,那么在实际训练过程中，我们不必将所有的时间片都拿来训练。而采取直接 阅读全文
posted @ 2025-07-29 14:37
jack-chen666
阅读(40)
评论(0)
推荐(0)
摘要：
目录思想前向过程 (Forward Process)反向过程 (Reverse Process)损失函数核心组件：U-Net代码生成图像（采样）流程 (伪代码) 思想 扩散模型是一类强大的深度生成模型，它通过模仿物理学中的扩散过程来生成高质量的数据，尤其在图像生成领域取得了巨大的成功，例如大家熟知的 阅读全文
posted @ 2025-07-29 13:30
jack-chen666
阅读(29)
评论(0)
推荐(0)
摘要：
目录从身高分布理解“采样”将这个概念应用到图片上为什么这个视角如此重要？总结这个概率分布长什么样子？专业术语：流形（Manifold）AI眼中的分布是什么样子？ 怎么理解 一张图片是一个概率分布采样的结果???这是一个非常深刻且核心的问题，理解了它，就等于理解了所有生成式模型（包括GAN、VAE以及 阅读全文
posted @ 2025-07-29 09:06
jack-chen666
阅读(153)
评论(0)
推荐(0)
摘要：
from dataclasses import dataclass import gymnasium as gym import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch 阅读全文
posted @ 2025-07-18 17:11
jack-chen666
阅读(31)
评论(0)
推荐(0)
摘要：
目录参考当语言模型遇到强化学习PPO 在 trl 中的工作流程与核心公式4. 代码实现解读总结 参考 https://newfacade.github.io/notes-on-reinforcement-learning/17-ppo-trl.html https://gemini.google.c 阅读全文
posted @ 2025-07-18 11:42
jack-chen666
阅读(408)
评论(0)
推荐(0)
摘要：
目录参考RolloutBuffer 类 - 数据存储仓库ActorCritic 类 - PPO 的大脑3. PPO Agent 的 update 方法 - 核心训练逻辑完整代码 参考 https://iclr-blog-track.github.io/2022/03/25/ppo-implement 阅读全文
posted @ 2025-07-17 19:43
jack-chen666
阅读(262)
评论(0)
推荐(0)
摘要：
目录参考核心思想：拉格朗日对偶与约束优化1. SVM：经典的二次规划问题TRPO：迭代中的二次规划子问题 参考 https://gemini.google.com/app/7580b35a3150bf5a 核心思想：拉格朗日对偶与约束优化 在机器学习不同分支中“殊途同归”的经典优化思想，SVM和TR 阅读全文
posted @ 2025-07-17 17:38
jack-chen666
阅读(47)
评论(0)
推荐(0)
浙公网安备 33010602011771号