<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xiaozhi77的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xiaozhi77</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xiaozhi77]]></copyright><item><title><![CDATA[AIGC算法面试情景题八股文]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/143176639</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/143176639</guid><author>xiaozhi77</author><pubDate>Wed, 23 Oct 2024 10:09:41 +0800</pubDate><description><![CDATA[一、梯度消失和梯度爆炸的定义1. 梯度消失 - 当在深度神经网络中进行反向传播时，如果网络层数很多，在靠近输入层的低层网络中，梯度会变得非常小，甚至接近于零，这种现象被称为梯度消失。- 直观理解就是，随着反向传播的进行，梯度在经过每一层时不断减小，使得低层网络的权重更新非常缓慢，导致网络难以训练，学习效果不佳。- 例如，在一个非常深的神经网络中，使用 sigmoid 函数作为激活函数，由于 sigmoid 函数在大部分区域的导数都非常小（在 0 附近），当经过多层传播后，梯度会被不断地缩小，最终接近零。]]></description><category></category></item><item><title><![CDATA[typora markdown 数学公式及符号]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/136107298</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/136107298</guid><author>xiaozhi77</author><pubDate>Fri, 16 Feb 2024 09:46:00 +0800</pubDate><description><![CDATA[公式内容$，如：$$公式内容$$]]></description><category></category></item><item><title><![CDATA[Matryoshka Diffusion Model 套娃级联超分扩散模型 论文笔记]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/134296403</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/134296403</guid><author>xiaozhi77</author><pubDate>Wed, 08 Nov 2023 19:33:11 +0800</pubDate><description><![CDATA[扩散模型是生成高质量图像和视频的实用方法，但由于计算和优化的挑战，学习高维模型依然是一项艰巨的任务。现有方法通常采用在像素空间训练级联模型的方法，或者使用一个单独训练的自编码器的下采样潜在空间。本文提出了Matryoshka扩散模型，这是一个端到端的高分辨率图像和视频的合成框架。扩散过程即在多分辨率联合对输入进行降噪，并使用将小尺度输入的特征和参数嵌入大尺度输入中的NestedUNet架构。此外，MDM还支持从低分辨率到高分辨率的渐进式训练时间步（schedule），从而显著改善了的高分辨率生成的优化结果。]]></description><category></category></item><item><title><![CDATA[一个使用两层DNN的实例]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/123278292</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/123278292</guid><author>xiaozhi77</author><pubDate>Wed, 25 Oct 2023 10:17:49 +0800</pubDate><description><![CDATA[from keras import models
from keras import layers
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
np.set_printoptions(suppress=True)

df_iris = pd.read_csv("CCLE_ActivityArea_24_...]]></description><category></category></item><item><title><![CDATA[虚拟试衣 DCI-VTON 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/134028032</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/134028032</guid><author>xiaozhi77</author><pubDate>Wed, 25 Oct 2023 10:17:11 +0800</pubDate><description><![CDATA[许多现有虚拟试衣方法依赖于生成对抗网络（GAN），这类方法在高分辨率下可能出现缺陷。扩散模型被认为是一种具有潜力的替代方法，然而，简单地将服装作为引导扩散模型进行修复（inpainting）并不足以保持服装的的细节。为了克服上述问题，我们提出一个基于模板的修复方法，利用变形模块指导扩散模型进行有效生成。这个变形模块对服装进行初始处理，这有助于保持服装的局部细节。然后我们结合变形的服装图和无服装的人体图，并添加噪声作为扩散模型的输入。]]></description><category></category></item><item><title><![CDATA[虚拟试衣 HR-VITON 论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/xiaozhi77/article/details/133939636</link><guid>https://blog.youkuaiyun.com/xiaozhi77/article/details/133939636</guid><author>xiaozhi77</author><pubDate>Fri, 20 Oct 2023 09:55:03 +0800</pubDate><description><![CDATA[虚拟试穿通常会出现伪影问题，本文提出一个全新的试穿条件生成器作为服装变形和分割图生成两个阶段的统一模块。在条件生成器中新增的特征融合块可以实现两个阶段的信息交换，避免错位和遮挡。同时，引入了判别器拒绝机制来过滤掉未正确预测的分割图，并确保VITON框架的性能。]]></description><category></category></item></channel></rss>