文章
43
标签
85
分类
14
首页
分类
工具
工地检测
友链
本站友链
随机开往
异次元之旅
学术主页
关于
WPIRONMAN
门控注意力
搜索
首页
分类
工具
工地检测
友链
本站友链
随机开往
异次元之旅
学术主页
关于
门控注意力
发表于
2025-12-11
|
总字数:
0
|
阅读时长:
1分钟
文章作者:
WP
文章链接:
https://wp-a.github.io/2025/12/%E9%97%A8%E6%8E%A7%E6%B3%A8%E6%84%8F%E5%8A%9B/
版权声明:
本博客所有文章除特别声明外，均采用
CC BY-NC-SA 4.0
许可协议。转载请注明来源
WPIRONMAN
！
赞助
微信
上一篇
原型=动态演化的语义锚点 原型的关键作用 1. 类级表示 经过层级学习、去噪后的特征，更纯净、更有代表性 2. 对比学习的监督信号 不只是"拉近同类"，而是"拉向类中心" 语义信息： 原型包含了这个类的核心特征 例如：猫原型 = “有毛” + “四条腿” + “小体型” 辅助分类： 新样本可以和各类原型对比 与哪个原型最接近，就属于哪一类 知识迁移： 原型可以在不同任务间共享
下一篇
扩散模型
扩散模型是一种特殊的VAE，其灵感来自于热力学：一个分布可以通过不断地添加噪声变成另一个分布。放到图像生成任务里，就是来自训练集的图像可以通过不断添加噪声变成符合标准正态分布的图像。 图像生成网络会学习如何把一个向量映射成一幅图像。设计网络架构时，最重要的是设计学习目标，让网络生成的图像和给定数据集里的图像相似。VAE的做法是使用两个网络，一个学习把图像编码成向量，另一个学习把向量解码回图像，它们的目标是让复原图像和原图像尽可能相似。学习完毕后，解码器就是图像生成网络。扩散模型是一种更具体的VAE。它把编码过程固定为加噪声，并让解码器学习怎么样消除之前添加的每一步噪声。
评论
门控注意力
WP
无业游民
文章
43
标签
85
分类
14
Follow Me
公告
This is my Blog
最新文章
扩散模型
2025-12-11
门控注意力
2025-12-11
无标题
2025-12-10
开学三个月小记
2025-12-03
搜索
数据加载中
