<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[随便写写]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LT_admin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LT_admin]]></copyright><item><title><![CDATA[One-Prompt-One-Story：无须训练即可保持身份一致性]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/145687652</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/145687652</guid><author>LT_admin</author><pubDate>Mon, 17 Feb 2025 17:24:24 +0800</pubDate><description><![CDATA[在长提示符中，身份信息是通过上下文理解隐式维护的，我们称之为语言模型的上下文一致性。例如：A dog is watching the movie. Afterward, the dog is lying in the garden.（我们可以知道在这一段话中，这只狗代表的是同一只狗，因为在同一段话出现）单提示生成设置下，文本嵌入空间中彼此之间的语义距离相对较小，而跨多提示生成设置的文本嵌入空间彼此之间的语义距离相对较大。]]></description><category></category></item><item><title><![CDATA[牛客刷题合集-字符串系列（一）]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/139814738</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/139814738</guid><author>LT_admin</author><pubDate>Wed, 19 Jun 2024 23:08:31 +0800</pubDate><description><![CDATA[【manim | 算法】OI自动机大炒饭（字典树，KMP自动机，AC自动机，后缀自动机，广义后缀自动机）_哔哩哔哩_bilibili]]></description><category></category></item><item><title><![CDATA[牛客刷题合集-动态规划系列（一）]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/139537202</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/139537202</guid><author>LT_admin</author><pubDate>Sat, 08 Jun 2024 00:43:22 +0800</pubDate><description><![CDATA[开个帖子把模板题先写了。]]></description><category></category></item><item><title><![CDATA[牛客ACM刷题记录——开篇]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/139490843</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/139490843</guid><author>LT_admin</author><pubDate>Thu, 06 Jun 2024 10:02:43 +0800</pubDate><description><![CDATA[写在前面，打算好好锻炼一下手撕的能力，之前 leetcode 也刷了挺多的，但是笔试基本都是 ACM 模式，有时候测试样例过了，但是通过率 0%很是头疼。于是希望通过ACM 模式，看是否能改善一点。牛客的 ACM 模式很多都没看到 python 的题解，所以自己打算边写边思索下。]]></description><category></category></item><item><title><![CDATA[Cross-Attention Makes Inference Cumbersome in Text-to-Image Diffusion Models]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/138484621</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/138484621</guid><author>LT_admin</author><pubDate>Mon, 06 May 2024 10:14:55 +0800</pubDate><description><![CDATA[所以考虑在不重新训练模型的情况下删除/替换交叉注意是很重要的。受DeepCache的启发，作者提出了一种有效且无需训练的方法，称为TGATE。]]></description><category></category></item><item><title><![CDATA[SDXS：Real-Time One-Step Latent Diffusion Models with Image Conditions]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/138276344</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/138276344</guid><author>LT_admin</author><pubDate>Sun, 28 Apr 2024 14:03:32 +0800</pubDate><description><![CDATA[在看这个文章之前，首先要对 consistency model ，score-based model要有一定了解，以及相应的知识蒸馏，怎样去做单步生成的等等扩散模型由于其迭代采样过程而导致显著的延迟。为了减轻这些限制，作者引入了一种双重方法，包括模型小型化和减少采样步骤，旨在显著降低模型延迟。还是利用知识蒸馏来简化U-Net和图像解码器架构，并引入了一种利用特征匹配和分数蒸馏的创新的单步DM训练技术。作者提出了两种模型，和。]]></description><category></category></item><item><title><![CDATA[CoMat: Aligning Text-to-Image Diffusion Model with Image-to-Text Concept Matching]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/138196086</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/138196086</guid><author>LT_admin</author><pubDate>Thu, 25 Apr 2024 17:57:37 +0800</pubDate><description><![CDATA[图文一致性的原因还是因为文本的 token 的激活注意值不高，导致文本的 token 无法激活图像的区域，从而导致图文不一致。作者将这种现象归因于扩散模型的训练方式对条件的利用不足，所以提出了 CoMat，是一种。]]></description><category></category></item><item><title><![CDATA[Faster Diffusion: Rethinking the Role of UNet Encoder in Diffusion Models]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135153462</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135153462</guid><author>LT_admin</author><pubDate>Fri, 22 Dec 2023 15:03:51 +0800</pubDate><description><![CDATA[UNet通常是作为噪声预测来看待的。之前的一些工作已经探索了UNet作为解码器的基本属性，但其作为编码器在很大程度上仍未被探索。编码器特征变化缓慢，而解码器特征在不同的时间步长上表现出实质性的变化。这一发现启发作者在一定的相邻时间内省略编码器，循环重用前面时间步的编码器特征来用于解码。]]></description><category></category></item><item><title><![CDATA[Vscode自定义Markdown粘贴图片的位置]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135136872</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135136872</guid><author>LT_admin</author><pubDate>Thu, 21 Dec 2023 17:49:28 +0800</pubDate><description><![CDATA[目前自己的笔记都是在 Vscode 里面进行编辑。在编辑的过程中，经常需要插入一些图片，但是默认的插入图片的位置是在当前文件夹下，这样会导致笔记的目录结构变得非常混乱，不利于管理。]]></description><category></category></item><item><title><![CDATA[常见的概率分布]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135129498</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135129498</guid><author>LT_admin</author><pubDate>Thu, 21 Dec 2023 14:07:38 +0800</pubDate><description><![CDATA[再介绍完基本的概率基础知识后，现在总结一下常见的概率分布。more。]]></description><category></category></item><item><title><![CDATA[概率与信息论（一）]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135129479</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135129479</guid><author>LT_admin</author><pubDate>Thu, 21 Dec 2023 14:07:00 +0800</pubDate><description><![CDATA[概率论是用于表示不确定性声明的数学框架。它不仅提供了量化不确定性的方 法，也提供了用于导出新的不确定性 声明(statement)的公理。首先，概率法则告诉我们 AI 系统如何推理，据此我们设计 一些算法来计算或者估算由概率论导出的表达式。其次，我们可以用概率和统计从 理论上分析我们提出的 AI 系统的行为。more越学习愈发觉得，自己的数学功底还是比较薄弱。虽然之前有特意去学习过，包括看过宋浩的概率论，但是真正论起数学推导，还是很少…… 所以还是系统的回顾一下。]]></description><category></category></item><item><title><![CDATA[DDPM（扩散模型）：以自己能够理解的角度梳理一下]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135129456</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135129456</guid><author>LT_admin</author><pubDate>Thu, 21 Dec 2023 14:05:58 +0800</pubDate><description><![CDATA[去噪扩散概率模型。总得来说分为两个过程；前向过程（加噪）反向过程（去噪）前向过程也称为扩散过程，将真实数据逐步变成噪声。]]></description><category></category></item><item><title><![CDATA[AdaDiff: Adaptive Step Selection for Fast Diffusion]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/135129373</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/135129373</guid><author>LT_admin</author><pubDate>Thu, 21 Dec 2023 14:03:06 +0800</pubDate><description><![CDATA[扩散模型的生成过程涉及到几十个步骤的去噪以产生逼真的图像/视频，这在计算上是昂贵的。本文认为去噪步骤应该根据输入样本的复杂程度来进行特定的采样。因此提出了AdaDiff，一个轻量级的框架来学习的步骤策略。还是和之前方法一样，使用策略梯度方法来最大化一个奖励函数。（平衡推理时间和生成质量）作者在 3 个图像生成基准测试和 2 两个视频生成基准测试进行了实验，结果表明：可以实现和固定 50 个去噪步骤的模型实现相当的结果，但是本文提出的方法减少了33−4033%−40%的推理时间。]]></description><category></category></item><item><title><![CDATA[ubuntu-docker]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/123422703</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/123422703</guid><author>LT_admin</author><pubDate>Fri, 11 Mar 2022 13:40:23 +0800</pubDate><description><![CDATA[ubuntu20.04 部署docker容器

Docker 是什么？

我们常说的“Docker”，指的是容器化技术，用于支持创建和使用 Linux容器；
一个开源的应用容器引擎，让开发者可以打包他们的应用以及依赖包到一个可移植的镜像中，然后发布到任何流行的Linux或Windows机器上；
容器是完全使用沙箱机制，相互之间不会有任何接口。几乎没有性能开销，可以很容易地在机器和数据中心运行。

为什么用Docker
容器技术之前，火热的技术是虚拟机技术，而其最典型的代表就是 VMWare和OpenStac]]></description><category></category></item><item><title><![CDATA[图像预处理]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/123356674</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/123356674</guid><author>LT_admin</author><pubDate>Tue, 08 Mar 2022 16:23:48 +0800</pubDate><description><![CDATA[图像预处理1.  opencv 读取图片2. 直方图均衡化3.  双线性插值(1) 报错    AttributeError: module 'tensorflow' has no attribute 'gfile'原因与解决方案(2)  报错 AttributeError: module 'tensorflow.\_api.v2.image' has no attribute 'resize\_images'(3) plt.imshow()  和 cv.imshow() 展示的图片不一样？问题解决！！

]]></description><category></category></item><item><title><![CDATA[Ubuntu 20.04LTS 文件夹图标丢失]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/123289742</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/123289742</guid><author>LT_admin</author><pubDate>Sat, 05 Mar 2022 09:27:07 +0800</pubDate><description><![CDATA[Ubuntu 20.04LTS 文件夹图标丢失

我寻思着我也没做啥，文件夹图标就丢失了，一直用命令行进行文件操作挺麻烦的。
运行命令：
sudo apt install gnome-shell-extension-desktop-icons

然后重新登入、登出，就能在应用列表看到了

最后右键Add to Favorites就行了


...]]></description><category></category></item><item><title><![CDATA[Ubuntu 20.04LTS 搜狗输入法不显示图标]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/123289720</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/123289720</guid><author>LT_admin</author><pubDate>Sat, 05 Mar 2022 09:25:36 +0800</pubDate><description><![CDATA[Ubuntu 20.04LTS 搜狗输入法不显示图标

原来的输入法设置就是如上图所示，之前也好像可以用，但我更新了一下依赖和包以后就不能用了，实在不理解。
我不知道为什么有时我不能使用搜狗拼音作为我的输入法。我在谷歌搜索了一大堆，但没有什么有用的；
情况大致如此：搜狗输入法无法启动，托盘处不显示图标，哪怕显示我选择了搜狗输入法，但仍然不显示图标；
所以我想是不是fcitx出了问题，终端 重启fcitx，发现图标显示恢复正常，但当我把终端关掉以后，又变成键盘的样子。
fcitx restart


最后，我]]></description><category></category></item><item><title><![CDATA[计算机网络安全]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/117650235</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/117650235</guid><author>LT_admin</author><pubDate>Mon, 07 Jun 2021 09:53:59 +0800</pubDate><description><![CDATA[文章目录计算机网络安全第一章 绪论1.1 计算机网络概述1.2计算机网络安全分析第二章 密码学基础知识2.1 密码学基本概念2.2  古典密码体制代换密码单表代换密码多表代换密码置换（换位）密码2.3 现代密码系统概述对称密钥系统1.序列密码(或流密码)2.分组密码公开密钥系统1.安全性2.特点2.4 典型公开密钥1.RSA公开密钥密码系统2.RSA密钥产生过程3.RSA加解密操作（见书P64）4.RSA安全性与不足第三章 认证与数字签名3.1 散列（哈希）函数3.2 消息认证1.报文源认证2.报文宿的认证]]></description><category></category></item><item><title><![CDATA[配置JAVA环境变量]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/116300964</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/116300964</guid><author>LT_admin</author><pubDate>Fri, 30 Apr 2021 12:22:54 +0800</pubDate><description><![CDATA[文章目录配置JAVA环境变量一.下载并安装JDK二.配置环境变量三.检查安装是否成功
配置JAVA环境变量
一.下载并安装JDK
1.官网下载：https://www.oracle.com/java/technologies/javase-downloads.html#JDK16
我这里最新版本Java SE16

点击JDK dowload

选择第一个 installer 就好了（可能会要求登录，注册就行了，计算机的有很多都会用到），然后选择下载存放目录就好了

2.找到下载好的安装程序，双击安装

2]]></description><category></category></item><item><title><![CDATA[网络协议分析]]></title><link>https://blog.youkuaiyun.com/LT_admin/article/details/116299236</link><guid>https://blog.youkuaiyun.com/LT_admin/article/details/116299236</guid><author>LT_admin</author><pubDate>Fri, 30 Apr 2021 11:43:36 +0800</pubDate><description><![CDATA[根据期末考试考点，我把知识点做了一下梳理，仅供参考！！！
记录一下。
文章目录网络协议分析第一章	TCP/IP概述1.1网络互连与TCP/IP1.1.1	用IP实现异构互联网络1.1.2	TCP/IP协议族的引入1.2 网络协议分层1.2.1	通用的协议分层思想1.2.2	TCP/IP的分层模型1.2.3	协议分层原则1.2.4	TCP/IP分层模型中的边界1.2.5	点到点和端到端1.2.6	协议依赖关系1.2.7	多路复用和多路分解1.多路复用：在源主机从不同套接字中收集数据块，并为每个数据块封装上首部]]></description><category></category></item></channel></rss>