写代码的小阿帆的博客

本文记录了diffuser库使用模型生成图像的详细过程：包括库和扩散生成的基本认识；模型下载；diffuser库的使用和生成图像的示例代码。这是手动生成图像的第一步，但也是关键一步，后续可以根据继承该模型的不同模块，调整参数和生成手段，达到自己想要的效果。

这在本科阶段应该是得折腾个把礼拜的事，现在没费多少劲就解决了，一方面是现在AI和网络发展的快，获取信息太容易了；另一方面是个人成长经验也丰富了，遇到事直到怎么解决，方向明确，报错就解决错，一个个解决了自然就得到想要的结果了，所谓事缓从恒，事急从权；事缓则圆，事急则乱。

本次算是初学pytorch的第二次实践，对于一些方法和原理有了更进一步的理解：清空梯度避免干扰，小批量时可不清空；继承方法建立模型和数据集；卷积核用于保存图像空间上的相邻关系，池化层选特征；多通道用滤波器降维，学习后再升维。至此觉得可以算是入门了，但仍然路漫漫，学习网络模型结构的搭建，各种优化算法和损失函数，池化操作，步长卷积核大小的设置，这些的工作才是大头，此外将深度学习与什么相结合，这更是关键。

本节学习了深度学习pandas库的使用，包括创建标签，访问和增加数据，比较关键的是在excel中的导入和使用，该库基于numpy实现，大部分方法可以直接使用，至此我们完成了深度学习数据操作的内容，下一步需要学习的就是网络的相关知识，包括如何搭建和调整参数。

本篇文章介绍了matplotlib绘图库的基本操作，创建窗口，根据数据绘制图像的过程，常用的就是线型图plot和直方图hist，作为技术人员确实暂时不用花太多心思在图片展示的美观性上，否则多少有点舍本逐末了，不过以后如果搞工程可能确实需要进一步学习。

本章学习了深度学习基础的numpy库，包括其概念和类型，创建访问和运算方法，该库最主要的是给我们提供了矩阵运算的方法，在日后深度学习处理数据，尤其是对图像方面的应用会十分广泛。

本文介绍了几种梯度下降优化算法，包括其原理和代码实现，但并不一定说最好的算法就一定产生最好的结果，每种算法都有其适应的领域，在实际中还是要具体问题具体分析。

还是画图比较清楚，对pytorch训练神经网络的整体过程总结如下：该过程大致和理论学习时一致，优化器整合了梯度下降部分，一些复杂的数学原理并没有向用户过多暴露，使得我们可以很快上手构造模型，但后续调参和模型优化仍要求我们理解底层原理。这么说来机器学习本身好像也是快上手，慢熟悉的过程，更多操作如特征缩放、判断收敛等还未使用，更不必说神经网络的底层原理，我们并没有规定特征的学习方向，网络究竟是如何通过激活函数和卷积操作等就能学习到准确的特征并判断的呢？不同参数又是如何在一个庞大的神经网络中作用的？

pytorch安装主要分三步，1，包管理工具Anaconda用于管理组件，创造虚拟环境；2，安装加速平台CUDA，主要涉及显卡cuda版本和安装cuda平台版本的关系；3，安装pytorch，要与安装CUDA对应。

本章学习了无监督学习的一些算法，基于数据点距离中心点的分类方法—聚类，推荐算法的协同过滤，解决其冷启动难的内容过滤方法，和基于奖励函数让机器自己根据当前状态决定动作的强化学习，还有在强化学习中使用神经网络的DQN算法，该算法妙在多个未知参数可以经过神经网络的拟合逐渐变得可靠，随着网络模型建立的完善，对其他参数的估计也越来越准确，形成一个相互促进的局面。

本章学习了深度学习的两大分支，神经网络和决策树，神经网络依靠其隐藏层对数据进行特征提取和变换处理，最后在输出层输出结果，根据对输出要求的不同可以使用不同的激活函数，作为普通开发者我们应该更关注的是神经网络的优化方向，增加学习数据，调整正则化参数，以及交叉验证方法和迁移学习；决策树对人来说更容易理解，使用类似二叉树的数据结构进行分类判断，为了减少异常数据对树的影响，我们使用多个决策树票选结果，为了减少特征对树的影响，我们又引入了随机森林，最后介绍了目前效果很好的决策树方案——XGBOOST。

从领域大方向来说有强弱人工智能两种，一种是特定场景特定工作下的人工智能，即狭义人工智能ANI，应用于自动驾驶或工厂生产中；另一种是完全通用的强人工智能AGI，目前前者已经取得了极大进展，而后者被很多科学家认为很难实现，我也秉持此观点，目前所谓通用模型的chatgpt等无非是针对自然语言处理的模型。但该方向仍有研究的必要性，这对该领域的科学家来说是他们的星辰大海，科学在实践之前的认识过程都可能是没用的，而我要讨论的从业者的方向。

标签、拟合曲线、成本函数、梯度下降、正则化，另外与无监督学习的区别就在于训练集有标签，在特定领域和指定情况效果佳。

本节介绍了机器学习在人工智能领域的位置，及其他相关方向，以及具体的两种实现方法，有监督和无监督，后续将分别对两种方法的具体算法进行研究和学习。