JFS's Blog
  • 首页
  • 归档
  • 分类
  • 标签
  • 关于

diffusion model

马尔可夫链 stable Diffusion的前向过程和反向过程都是一个马尔可夫连, 马尔科夫链的思想:过去所有的信息都已经被保存到了现在的状态,基于现在就可以预测未来。 马尔科夫链认为过去所有的信息都被保存在了现在的状态下了 。比如这样一串数列 1 - 2 - 3 - 4 - 5 - 6,在马尔科夫链看来,6 的状态只与 5 有关,与前面的其它过程无关。 既然某一时刻状态转移的概率只
2024-10-10
deeplearning
#diffusion #cv

Latex中文字体

今天在使用老师给的latex模板时,一直因字体原因报错。网上查了才知道,不同系统下使用的字体时不同的,模板的的字体指定的时Windows下的字体,而我的texlive下载Ubuntu中,所以会缺少很多windows自带的字体,于是只能删掉linux中的tex,再windows中重新下一遍。可怜我windows中所剩不多的空间啊。/::>_<::/ 例如出现错误 1Package fo
2024-10-01
Latex
#Latex #字体 #bug

页式存储

地址转换流程 逻辑地址----分段机制--->线性地址----分页机制--->物理地址 实现分段机制,可以提供保护,而实现分页机制,可以实现虚拟内存,使内存管理变得灵活。 页表 对于一个两级页表来说,页表分为页目录和页表 cr3:寄存器,指向页目录开头 PDE:页目录表的表项,指向某一个页表的开头 PTE:页表的表项,指向某一个物理页 在启动页表前需要将页表内容初始化。
2024-09-30
OS

网络层

网络层 也可以看作IP层,有ip,ARP等协议。网络层的主要功能是将数据从一个网络发送到另一个网络中。网络层可以分为数据层和控制层。网络层的数据传输是不可靠的,即是会丢失的,数据传输的可靠性是靠上层协议保障的,如tcp协议。 ## 1. 数据层 ### 1.1 IP协议 网络协议IP协议,地址解析协议ARP,网际控制报文协议ICMP, 网际组管理协议IGMP。 #### 1.1.1 分类i
2024-09-30

物理层

物理层 物理层考虑的是如何在传输媒体上传输比特流。 硬件设施和传输媒体种类很多,可以传输所有传输媒体。 物理层的主要任务也可以描述为确定传输媒体的接口有关的一些特性 -- 如接口大小,排列,电器特性,电压。 ## 1.通信基础知识 ## 1.1 基本概念 通信模型 包括 源系统 ------------ 1. 源点 -- 数据 2. 发送器 -- 对源点的数据进行编码 ------
2024-09-30
计算机网络

数据链路层

数据链路层 网络层是将包从一个网络通过路由发送到另一个网络中,数据链路层则是如何在同一个局域网中从一条主机发送到另一台主机,但不经过路由器转发。 数据链路层的网络分为: 1. 点对点 2. 广播 1 透明传输 数据链路层会对数据加上帧开始符号和帧结束符,来对帧进行区分。为了解决数据中出现的帧开始符号和帧结束符号,数据链路层会对数据中出现的帧开始符号和帧结束符号进行转义。即字节填充方法,传输
2024-09-30
计算机网络

将jupyter转换为markdown格式

需要安装jupyter 1pip install jupyter 然后执行以下命令即可将当前目录下的所有ipynb文件转换为markdown格式 12import osos.system("jupyter-nbconvert --to markdown *.ipynb") 如果出现jupyter不是内部或外部命令的错误,可以尝试将python的Scripts目录添加到环
2024-09-30
Python
#jupyter

Domain_Adaptation

Domian Adaptation 领域适应(Domian Adaptation)是迁移学习的一个子方法,但有不同于迁移学习。 域适应是使用模型从足够训练集的相关域中训练到的知识,来提高模型再不足训练数据目标域上性能的技术。 领域适应是为了解决训练模型在验证或者实际数据集上表现不佳的问题 例如:1.训练数据集是手机拍摄的图片,而验证数据集是单反拍摄的图片,可能就会由于两者的差距而导致模型
2024-09-30
DeepLearning
#元学习

ROC曲线

ROC曲线 0x01 receiver operating characteristic (ROC) curve. T/F(识别结果正确或错误)P/N(模型识别结果) True Positive Rate(TPR) (aka,recall 真阳率) 用于衡量对positive目标的识别准确率的,如果将所有positive目标(理想)/所有目标(极限) 识别为positive,则
2024-09-30
DeepLearning
#martix

元学习

一文入门元学习(Meta-Learning)(附代码) - 知乎 (zhihu.com) 元学习是一种学习超参数的学习方法,区别于一般的机器学习是利用人为设置的超参数更新参数。让模型学会自己初始化参数。 元学习关注的是该超参数在任意任务下训练后表现的潜力大小。 MALML(Model-Agnostic Meta-Learning) MAML 算法流程: img
2024-09-30
DeepLearning
#元学习
1234

搜索

Hexo Fluid