- 博客(14)
- 收藏
- 关注
RSS订阅原创 (解决）Pytorch:CUDA error:invalid configuration argument
搬运一个可能解决问题的办法，希望帮助大家解决问题。
2024-03-14 23:17:40
1449
1
原创 概率 乱考点分析
α对应的可以通过查表得到这部分的考点与一维随机变量的考点类似，只是增加了一个维度。比如求二维连续型随机变量的联合分布函数，只是在积分区间上由一维的长度变成了二维的面积。对于这个考点重点记住卷积公式。这个点就是Z=X+Y的一个应用，应该记住这个性质。期望方差使用正态分布求u的置信区间 （样本u已知）使用t分布求u置信区间 （样本u未知，S已知）使用分布求σ置信区间 （这里的例1就是上面的例1）
2024-01-09 15:34:47
532
原创 寄组---
总线是连接各个部件的信息传输线，是各个部件共享的传输介质3.1.2 总线上信息的传送其中从地址线和数据线的个数可以看出存储 的容量，如地址线数量为10，则说明该芯片中有个存储单元，数据线数量为4，则说明每一个存储单元存储了四个数据（实际上并不能说一个存储单元存储四个数据，只是刚好当地址线指向某个地址的时候，一次性可以读取四个数据）片选线：负责选中哪个芯片使能线：决定该设备能否正常工作如图所示存储芯片实际上是由和多个小的芯片组成，其中芯片也会分组，片选线就决定了选择哪个组。
2024-01-02 19:53:18
1649
1
原创 计算机组成原理小记
1.1对于无符号二进制整数来说，所有二进制位都是数值位，没有符号位，第i位的位权为 2�−1 （由等比数列求和公式可推出）1.2对于计算机来说，指定的机器字长为多少位计算机就只能同时处理多少位的二进制数，超过的部分会被截断舍去，不足的部分会以0补齐。1.3无符号整数的减法需要重点记住，被减数不变，减数全部按位取反，末位加1.这样就实现了减法变加法。如题：以二进制计算 99+9 和 99−9 .（8bit寄存器）首先将99和9分别转化为二进制数为：01100011，00001001。
2023-10-06 14:28:50
217
1
原创 Hierarchical Text-ConditionalImage Generation with CLIP Latents(论文阅读小结）
这篇论文主要做的一件是就是利用扩散模型，实现text2image的过程。整个网络包含一个clip的文本编码器和图像编码器，还有一个prior和decoder。clip的文本编码器就是将输入的文字编码成一个embedding，clip图像编码器就是将图像编码成一个embedding，prior的作用就是将文本和图像的embeding以及一些其他的条件融合起来，使其可以表示既表示了文本信息，也表示了图像信息，再将其输入decode（使用扩散模型作为decode），最终得到生成的图像。
2023-07-17 21:29:37
192
1
原创 Multi Self-Attention(多头自注意力机制）
一下是我对李宏毅老师-自注意力机制的总结首先看图：假设我们输入有四个向量，这四个向量是有关系的，而如果我们将self-attention这个模块拿走，那么就相当于是把这四个输入当作毫无关系的向量进行处理然后得到四个输出。所以：self-attention这个模块的作用就是将这四个输入联系起来使我们的输出与这四个输入都有关。
2023-06-03 13:35:51
4804
2
原创 AdaIN（自适应实例规范化）
可以看到，我们的编码器网络参数不参与更新。'''对每个图片进行通道上的均值和方差的计算'''损失函数分别是内容损失和风格损失，这里的风格损失的另一种算法我记得需要算出两个图片的Gram矩阵，然后用MSE计算损失。feat_var = feat.view(N, C, -1).var(dim=2) + eps #对输入的图片的每个通道计算标准差feat_std = feat_var.sqrt().view(N, C, 1, 1) #标准差的平方得到方差这里计算的维度是按照RGB三通道的维度来计算的。
2023-05-25 22:21:22
1763
5
原创 图（python）
edgs存储了边的信息，如在图中A->B，则在edgs中的第一个元素就是[A,B]，表示A->B,以此类推。data1和data2分别代表了存储边的节点，里边adjVex表示index，如若与A连接的第一个边是AB边，则adjVex存储的是B在vexlist中的index。（注：vers存储图中所有的顶点，edges存储的是图中所有边的关系，因为是无向图，所以重复的边的信息已经被舍弃）这个函数要做的就是为这个vexlist加上边的信息，即让firstEdge后面的邻接表表示边的信息。
2023-05-23 15:16:36
133
1
原创 Deep_image_blend
本周读了一下Deep image blend的论文，一下是我对论文内容的理解：这是论文中的模型结构：按照以往的办法优化的函数是这个：梯度f就是混合图像的梯度，v就是源图像的梯度（即移入目标图像的物体的图片的梯度）个人理解：这个函数关注点就是源图像与目标图像缝合区域的梯度，以次来使混合图像看起来不那么不平滑。（论文中说的是从RGB三个通道分别计算梯度 ，以此来平滑混合图像中不平滑的部分）本片论文要优化的函数是：我的理解是：这个函数的优化目标是减小（混合图像）梯度与（源图像，目标图像）梯度的损失。
2023-05-20 20:53:19
276
1
原创 数字逻辑笔记
十进制转换为对应的8421码就是对每一个十进制数用8421码的规则表示如：十进制数567 5的8421码是0101 6的8421码是0110 7的8421码是0111 所以567的8421码就是10100100111。
2023-05-20 17:12:19
997
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人