GAN是我在研究领域中最为喜欢的一个。它是一种生成式模型，其基本原理是建立一个生成器和一个判别器来协同工作。 生成器的作用是从随机噪声中生成图像，判别器的作用是判断一张图像是否为真实的图像还是生成器生成的图像。
如果说3D图形是对现实世界的还原，那么二维图形就是对现实世界的抽象。现在主流的图形建模就是这样一个抽象的过程。图形的模型图形与普通的关系表模型相比，多出的可不是一点点，对于一般的属性关系暂且略去。图形可以产生可视化效果，而且是一种数学表达。因此，许多图形API都能通过一系列指令集来描述图形。图像显然不具有这种能力，存储上自然没有图形有优势。对图形的表达方式的选择，一般分为点、圆、三角、框、直线、弧
转载
2024-10-17 08:18:02
25阅读
图片的性能优化 问题的出现：据统计，图片内容已经占到了互联网内容总量的62%，也就是说超过一半的流量和时间都用来下载图片。从性能优化的角度看，图片也绝对是优化的热点和重点之一。图片优化既是一门艺术，也是一门科学，图片优化是一门艺术，是因为单个图片的压缩不存在最好的特定性方案，而图片优化之所以是一门科学，是因为许多开发得很出色的方法和算法可以明显减小图片的大小。要找到图片的最优设置，需要按照许多维度
google DeepMind团队在《pixel recurrent neural networks》中提出了pixelRNN/CNN之后又发表了一篇论文——《Conditional Image Generation with PixelCNN Decoders》——这篇论文中提出了一个基于pixelRNN/CNN上进行改进的一个模型——gated pix
转载
2024-04-18 21:32:53
244阅读
第二章 图象获取、显示、表示与处理图象获取是图象的数字化过程，显示则是将数字图象转化为适合人们使用的形式，而处理是通过软件对图象进行变换操作的过程。目录图象获取图象显示图象表示图象处理参考文献作业 1.图象获取图象获取也就是图象的数字化过程，即将图象采集到计算机中的过程，主要涉及成像及模数转换（A/D Converter）技术，曾经是很昂贵的，一直是挡在普通用户面前的难以逾越的主要障碍
这里写自定义目录标题欢迎使用Markdown编辑器进行建模，它根据输入的观察变量x得到隐含变量z出现的可能性。根据原始图形推测图形具备的一些性质，例如根据数字图像推测数字的名称等。生成式模型 ：它对p(X|z)进行建模，输入是隐含变量，输出是观察变量的概率。通常给出的驶入是图像具备的性质，而输出是性质对应的图像。生成模型模型目标：训练数据集的模型：x~Ptrain(x)生
转载
2024-08-07 14:05:18
73阅读
摘要：我们提出了一种无监督的图像到图像转换的新方法，该方法以端到端的方式结合了新的注意力模块和新的可学习归一化函数。注意力模块指导我们的模型将注意力集中在基于辅助分类器获得的注意力图来区分源域和目标域的更重要区域上。与以前的基于注意力的方法无法处理域之间的几何变化不同，我们的模型可以转换需要整体变化的图像和需要大形状变化的图像。此外，我们新的AdaLIN（自适应层实例归一化）功能可帮助
美研究人员发布开源软件可用单张照片生成3D模型| 发布者: admin| 查看: 8572| 评论: 2
摘要: 日前，美国卡内基·梅隆大学和加州大学的研究人员宣布开发出了一款让人非常震撼的3D处理软件OM3D。该软件能够让用户把2D照片中的对象转换成3D模型。而且生成的模型可根据用户的意愿在照片中进行操纵和来回移动。与此 ...
1.背景介绍图像生成模型是深度学习领域中一个热门的研究方向，它旨在生成高质量的图像，以模拟现实世界中的图像或创造出新的虚构图像。在过去
原创
2023-12-31 13:05:41
532阅读
FSL小样本学习Few-shot learning知识点整理前言小样本训练的一些特殊概念Zero-Shot One-Shot Few-ShotN-Way K-Shot 分类问题support sets支持集，query sets 查询集episodes用一个例子来理解这些新概念Matching networksPrototype NetworksRelation NetworksDomain-a
基本概念简单属性：不能划分为更小的部分（其他属性）。单值属性：一个特定实体有只有单独的一个值。派生属性：可以从别的相关属性或实体派生出来。最简单的博客系统（一）实体集：用户，博客，评论，实体及其属性列出如下：（二）联系集：以上设计的实体集，联系集表示如下：（派生属性不存储，在需要时计算出来）实体集：user:包含属性（useId,name,password,motto,points,r
转载
2024-10-31 09:50:34
35阅读
评价指标Inception Score（IS）计算这个 score 需要用到 Inception Net-V3，评价一个生成模型，需要考虑两个方面的性能：是否清晰。是否多样。生成的图片不够清晰，说明生成模型表现欠佳。而如果生成的图片不够多样的话，只能生成有限的几种图片，即陷入了 mode collapse，也说明模型表现欠佳，如下图只学到了其中的一个分布。IS 的评价方法如下：把生成的图
转载
2024-08-15 16:33:12
321阅读
一、RLHF微调三阶段 参考：https://huggingface.co/blog/rlhf 1）使用监督数据微调语言模型，和fine-tuning一致。 2）训练奖励模型 奖励模型是输入一个文本序列，模型给出符合人类偏好的奖励数值，这个奖励数值对于后面的强化学习训练非常重要。构建奖励模型的训练数据一般是同一个数据用不同的语言模型生成结果，然后人工打分。如果是训练自己
转载
2023-11-15 23:57:30
426阅读
针对像 Qwen3-0.6B 这类轻量级大语言模型（LLM）的微调（Fine-tuning），核心目标是在有限算力和数据条件下，高效提升模型在特定任务或领域上的表现。由于模型本身参数量小（约6亿），微调成本远低于大模型，但仍需采用合适的技术策略以避免过拟合、灾难性遗忘或资源浪费。 以下是针对此类小模 ...
特征提取微调首先要弄清楚一个概念：特征提取。 用于图像分类的卷积神经网络包括两部分：一系列的卷积层和池化层（卷积基） + 一个密集连接分类器。对于卷积神经网络而言，特征提取就是取出之前训练好的网络的卷积基，用新数据训练一个新的分类器。那么为什么要重复使用之前的卷积基，而要训练新的分类器呢？这是因为卷积基学到的东西更加通用，而分类器学到的东西则针对于模型训练的输出类别，并且密集连接层舍弃了空间信息。
转载
2024-03-31 10:29:34
212阅读
前言 什么是模型的微调？ 使用别人训练好的网络模型进行训练，前提是必须和别人用同一个网络，因为参数是根据网络而来的。当然最后一层是可以修改的，因为我们的数据可能并没有1000类，而只有几类。把最后一层的输出类别和层的名称改一下就可以了。用别人的参数、修改后的网络和自己的数据进行训练，使得参数适应自己的数据，这样一个过程，通常称之为微调（fine tuning).
转载
2024-05-21 08:58:16
61阅读
https://blog.csdn.net/v_JULY_v/article/details/129709105类ChatGPT的部署与微调(上)：从LLaMA、Alpaca/Vicuna/BELLE、中文版
原创
2023-06-07 14:39:19
0阅读
9.2 微调 在前面的一些章节中，我们介绍了如何在只有6万张图像的Fashion MNIST训练数据集上训练模型。我们还描述了学术界当下使用最广泛的大规模图像数据集ImageNet，它有超过1,000万的图像和1,000类的物体。然而，我们平常接触到数据集的规模通常在这两者之间。 假设我们想从图像中
原创
2021-08-06 09:52:39
745阅读
