Parallel Processing
Baseline 矩阵乘法朴素实现 1234567for(int i = 0;i < M; i++){ for(int j = 0;j < N; j++){ for(int k = 0;k < K; k++){ C[i][j] = A[i][k] * B[k][j]; }
从DDPM到DDIM
回顾DDPM DDPM前提假设： 遵循马可夫链 前向固定: q(x0:T)=q(x0)∏t=T1q(xt∣xt−1)q(x_{0:T}) = q(x_0)\prod_{t=T}^{1} q(x_t|x_{t-1}) q(x0:T)=q(x0)t=T∏1q(xt∣xt−1) 后向: pθ(x0:T)=pθ(xT)∏t=T1pθ(xt−1∣xt)p_{\theta}(x_{0:T}) =
VAE
核心思想 已知输入数据XXX的样本{x1,x2,......xn}\{x_1, x_2, ......x_n\}{x1,x2,......xn} 假设一个隐式变量zzz服从常见的分布如正态分布等（先验知识） 希望训练一个生成器X^=g(z)\hat X = g(z)X^=g(z)使得X^\hat XX^尽可能逼近输入数据X的真实分布 从Auto Encoder到Variati
Machine Learning 4 决策树
决策树 概览 决策树构建过程 不断选取一个特征作为判别节点，该特征使得划分后的两个branch的purity最大（即划分得最清晰） 熵 如何衡量一个集合中仅含两类示例的purity呢？这就需要引入熵的概念 熵用于衡量信息的混乱程度： H(p)=−plogp — (1−p)log(1−p)H(p) = -plogp \space — \space(1 - p)log(1-p)H(p)=−plo
Machine Learning 3 逻辑回归
逻辑回归 逻辑回归的引入 考虑预测值 yyy 不再连续，而是离散值。这时候线性回归不再适用。 对于二分类问题y∈{0,1}y \in \{ 0, 1\}y∈{0,1} ,不妨使得假设函数hθ(x)h_{\theta}(x)hθ(x) 预测p(y=1∣x)p(y=1|x)p(y=1∣x),即xxx是种类y=1y=1y=1的概率 构造逻辑回归函数： hθ(x)=g(z)=g(θx)=11+e−θxh
Machine Learning 2 多元线性回归
多元线性回归 概述 特征： 多个输入特征 拟合方程：f(x⃗)=w⃗⋅x⃗+bf(\vec x)= \vec w \cdot \vec x+bf(x)=w⋅x+b 其中w⃗=[w1,w2,w3...wn],x⃗=[x1,x2....xn]\vec w=[w_{1},w_{2},w_{3}...w_{n}],\vec x =[x_{1},x_{2}....x_{n}]w=[w1,w2,w3
Machine Learning 1 一元线性回归
监督学习（supervised learning) 给定一个input x，给出x的正确答案，即标签 y。机器通过这些大量的例子训练学习后使得遇到一个崭新的x时，能够辨别出x对应的y是多少 专业术语： training set：训练集 xxx:input variable or input feature yyy:output variable or target variable (x,y)
ABC212
C - Min Difference 题意描述： 给定两段长度分别为n和m的序列A和B，问最小的∣ai−bj∣|a_{i}-b_{j}|∣ai−bj∣ 是多少？ 1≤i≤n,1≤j≤m1\le i\le n, 1\le j \le m1≤i≤n,1≤j≤m 收获： 对于题目要求，只需要求出最小的值是多少，而不关心取最小值时候的i和j的位置。因此我们对于这种在两个序列中寻找特定数来