julac的博客

背景：假设每个AI智能体是一个小国家，如今，各国大使馆虽然集中设在同一栋大楼内，却各自为政，在沟通、经商乃至情报交换方面时常面临障碍。模型通过Prompt Engineering提供的工具结构化描述和few-shot的example来确定使用的工具。A2A协议建立了“客户端”智能体和“远程”智能体之间的通信，大模型的下半场，Agent的大爆发类似寒武纪生命大爆发。Agent的决策流程：Perception（感知）记忆、经验、世界知识、一些对过往的反思和总结。，以尝试提供正确的信息或采取正确的行动。

计算Mel刻度滤波器组Filter Banks由语音信号的性质和人类对这些信号的感知所驱动的；计算MFCC由一些机器学习算法的限制所驱动的计算量：MFCC是在FBank的基础上进行的特征区分度：FBank特征相关性较高（相邻滤波器组有重叠），MFCC具有更好的判别度信息量：Filter Banks包含比MFCC更多的信息如果机器学习算法不易受高度相关输入的影响，则使用Mel刻度滤波器组。如果机器学习算法易受相关输入的影响，则使用MFCC。

如果忽略表达倍数关系的系数，对应的含义也会发生变化，不再是质心，而是信号存在的时间越久，位置是质心位置乘以一个倍数，它的值就越大。按照上面的说明来记录绘出图像，记录每个缠绕频率（速度）对应的质心位置（在横坐标等于零点处有一个很大的值，只是因为原来的图像没有关于横轴对称，有一个偏移量）从最开始的 0.79圈/秒一直变化到1.55圈/秒，再到最后的恰好是3圈/秒，和原来的信号3次震荡/秒相同，此时会出现一个非常稳定的图像。我们可以看到，新图像的横坐标写的是频率（Frequency），即缠绕圆圈的速度。

文章目录扩散模型DDPMHow Do Diffusion-Based Image Generation Models Work?The Need For Generative ModelsBayesian InferenceWhat Are Diffusion Probabilistic Models?Itsy-Bitsy Mathematical Details Behind Denoising Diffusion Probabilistic ModelsMathematical Details Of T

提供了一个更平滑和稳定的优化目标（即提供了更稳定的梯度信号），因为它反映的是数据和噪声之间的动态关系，变化率信息本身可以捕捉到系统的局部信息。-prediction，即通过预测噪声计算损失并更新扩散模型的参数。自从 DDPM 以来，扩散模型的参数化形式一般都是。本身是随机的，直接优化可能会导致大的不确定性。（噪声强度随时间的变化过程）的情况下，噪声点。往往会遇到不稳定或不易学习的问题：噪声。v-prediction：在给定数据。表示数据样本被噪声污染的速度），定义。

文章目录随机微分方程SDE标准布朗运动SDE加噪SDE去噪Score Matching参考文献随机微分方程SDE笔者建议，学完DDPM再来看SDE的作用和推导过程标准布朗运动在学习随机微分方程之前，我们先来看一下什么是标准布朗运动假设有一个一维的直线，有个小人从原点出发，每次随机地选择向左走1格或者向右走1格，且向左走和向右走的两个选项，被选择的概率相等→\rightarrow→用StS_tSt​代表小人离原点的距离，ttt代表代表选择的次数，如果选择的次数越多，那么StS_tSt​将会逐渐服从一

view”使用与原始张量相同的内存块，因此该内存块中的任何更改都会影响所有视图以及与其关联的原始张量视图可以是连续的或不连续的。一个不连续的张量视图可以转换为连续的张量视图，并且会复制不连续的视图张量到新的内存空间中，因此数据将不再与原始数据块关联stride位置公式：给定一个stride(A，B，C)，索引 (j, k, v) 在 1D 数据数组中的位置为 (A∗jB∗kC∗vA∗jB∗kC∗vview() 不能应用于 '非连续的张量/视图，它返回一个视图；

Flair是由Zalando Research开发的一个简单的自然语言处理（NLP）库。Flair的框架直接构建在PyTorch上，PyTorch是最好的深度学习框架之一。名称-实体识别（NER）：它可以识别单词是代表文本中的人，位置还是名称。词性标注（PoS）：将给定文本中的所有单词标记为它们所属的“词性”。文本分类：根据标准对文本进行分类（标签）。

行名：“类别（0：错误；1：正确）”、“准确率（accuracy）”、“算术平均（macro avg）”、“加权平均（weighted avg）”列名：“精确率（precision）”、“召回率（recall）”、“F1值（f1-score）”、“样本数（support）”想要理解什么是精确率、什么是召回率、什么是F1值，我们首先需要了解混淆矩阵。weighted avg：本身的比例乘以该样本占全部样本的比例。若一致，如副对角线上，则为T；凡是预测为1的都是阳性-P，凡是预测为0的都是隐性-N。

Numpy中的sum()方法和PyTorch中的sum()方法几乎相同，除了PyTorch中的dim在Numpy中被称作axis之外。我们首先指定行（2行），然后指定列（3列）。我们可以得出一个结论，第一个维度（dim=0）用于行，第二个维度（dim=1）用于列。当我们观察3D张量的形状时，我们会注意到新的维度被预处理并占据第一个位置（下面用粗体显示），即dim=0代表第三个维度。这个三维张量的第一个维度（dim=0）是最高的，包含3个二维张量。当我们描述二维张量的形状时，我们说它包含一些行和一些列。

关于AC，很多书籍和教程都说AC是DQN和PG的结合。个人觉得道理是怎么个道理，但其实是不够清晰，也很容易产生误读，甚至错误理解ACPG利用带权重的梯度下降方法更新策略，而获得权重的方法是蒙地卡罗计算G值蒙地卡罗需要完成整个游戏过程，直到最终状态，才能通过回溯计算G值，这使得PG方法的效率被限制那我们可不可以更快呢？相信大家已经想到了，那就是改为TD但改为TD还有一个问题需要解决：在PG，我们需要计算G值；那么在TD中，我们应该怎样估算每一步的Q值呢？

使用bert进行中文文本分类

一篇文章入门Bert

一篇文章入门LSTM和GRU

循环神经网络RNN

一篇文章入门pytorch&深度学习