Transformer再胜Diffusion！谷歌发布新一代文本-图像生成模型Muse：生成效率提升十倍
Transformer再胜Diffusion！谷歌发布新一代文本-图像生成模型Muse：生成效率提升十倍
【Pytorch神经网络实战案例】17 带W散度的WGAN-div模型生成Fashon-MNST模拟数据
W散度的损失函数GAN-dv模型使用了W散度来替换W距离的计算方式，将原有的真假样本采样操作换为基于分布层面的计算。
【Pytorch神经网络实战案例】16 条件WGAN模型生成可控Fashon-MNST模拟数据
搭建条件GAN模型，实现向模型中输入标签，并使其生成与标签类别对应的模拟数据的功能，基于WGAN-gp模型改造实现带有条件的wGAN-gp模型。
【Pytorch神经网络实战案例】15 WGAN-gp模型生成Fashon-MNST模拟数据
使用WGAN-gp模型模拟Fashion-MNIST数据的生成，会使用到WGAN-gp模型、深度卷积GAN(DeepConvolutional GAN，DCGAN)模型、实例归一化技术。
【Pytorch神经网络理论篇】 23 对抗神经网络：概述流程 + WGAN模型 + WGAN-gp模型 + 条件GAN + WGAN-div + W散度
GAN的原理与条件变分自编码神经网络的原理一样。这种做法可以理解为给GAN增加一个条件，让网络学习图片分布时加入标签因素，这样可以按照标签的数值来生成指定的图片。
【Pytorch神经网络实战案例】14 构建条件变分自编码神经网络模型生成可控Fashon-MNST模拟数据
变分自编码神经网络在变分自编码神经网络基础之上，增加指导性条件。在编码阶段的输入端添加了与标签对应的特征，在解码阶段同样添加标签特征。这样，最终得到的模型将会把输入的标签特征当成原始数据的一部分，实现通过标签来生成可控模拟数据的效果。
【Pytorch神经网络实战案例】13 构建变分自编码神经网络模型生成Fashon-MNST模拟数据
为输出分布与标准高斯分布之间的KL散度距离。它与MSE算法一起构成变分自编码神经网络的损失函数。
【Pytorch神经网络实战案例】11 循环神经网络结构训练语言模型并进行简单预测
在实现时，将输入的序列样本拆开，使用循环的方式，将字符逐个输入模型。模型会对每次的输入预测出两个结果，一个是预测字符，另一个是当前的序列状态。
【Pytorch神经网络理论篇】 19 循环神经网络训练语言模型：语言模型概述+NLP多项式概述
torch.nn.LSTM类与torch..nn.GRU类并不属于单层的网络结构，它本质上是对RNNCell的二次封装，将基本的RNN Cell按照指定的参数连接起来，形成一个完整的RNN。
【Pytorch神经网络理论篇】 11 卷积网络模型+Sobel算子原理
在微积分中，无限细分的条件是，被细分的对象必须是连续的，例如直线可以无限细分为点、但是若干个点则无法进行细分。
像Transformer一样思考！DeepMind发布全新模型设计工具Tracr：从可解释逻辑反向搭建模型
像Transformer一样思考！DeepMind发布全新模型设计工具Tracr：从可解释逻辑反向搭建模型
一颗GPU，秒出3D模型！OpenAI重磅新作：Point-E用文本即可生成三维点云模型（2）
一颗GPU，秒出3D模型！OpenAI重磅新作：Point-E用文本即可生成三维点云模型
一颗GPU，秒出3D模型！OpenAI重磅新作：Point-E用文本即可生成三维点云模型（1）
一颗GPU，秒出3D模型！OpenAI重磅新作：Point-E用文本即可生成三维点云模型
iOS MachineLearning 系列（14）—— 使用官方模型进行预测
本系列的前面文章，详细介绍了iOS原生框架中提供的与AI相关的API的使用，使用这些API基本可以满足大多视觉，文字，语音等通用化的AI需求。但是这些API并不是万能的，对于某些定制化较强的需求，这些内置的模型可能并不能满足需求。这时就需要涉及到我们本系列文章的核心了：Core ML。Core ML是iOS种提供的Machine Learning相关框架，配套的还有训练模型的开发者工具。
100亿参数的语言模型跑不动？MIT华人博士提出SmoothQuant量化，内存需求直降一半，速度提升1.56倍！（2）
100亿参数的语言模型跑不动？MIT华人博士提出SmoothQuant量化，内存需求直降一半，速度提升1.56倍！
跟着Nature Communications学数据分析：R语言做随机森林模型并对变量重要性排序
跟着Nature Communications学数据分析：R语言做随机森林模型并对变量重要性排序
