DiffusionModels专栏文章汇总：入门与实战前言：关于如何使用stablediffusion的文章已经够多了，但是由浅入深探索stablediffusionmodels背后原理，如何在自己的科研中运用stablediffusion预训练模型的博客少之又少。本系列计划写5篇文章，和读者一起遨游diffusionmodels的世界！本文主要介绍带大家一步步搭建自己的stablediffusionmodels。目录背景设置仔细研究文本到嵌入pipeline

    从今天开始，小编将开始为大家更新分子模拟相关的文章。首先，给大家介绍的第一部分知识是基于SWISS-MODEL的蛋白三维结构预测。    学过相关生物知识的同学都知道，蛋白质的一级结构决定了其高级结构，所以，我们可以根据已有的天然蛋白质结构对未知蛋白结构进行预测。其中最常用的方法之一就是比较建模法（comparativemodelingmethod），即我们常听到的同源建模（HomologyModeling），而SWISS-MODEL在线网站就是一款使用同源建模法预测蛋白三维结构的网站。下面我们就具体看一下如何使用这个在线网站进行蛋白的三维结构预测及结果解读。前期准备预测工具：SWIS

目录1.WGAN产生背景（1）超参数敏感（2）模型崩塌2.WGAN主要解决的问题3.不同距离的度量方式（1）方式一（2）方式二（3）方式三（4）方式四4.WGAN原理（1）p和q分布下的距离计算 （2）EM距离转换优化目标推导（3）判别器和生成器的优化目标5.WGAN训练算法 6.WGAN网络结构7.数据集下载8.WGAN代码实现 9.mainWindow窗口显示生成器生成的图片10.模型下载 GAN原理及Pytorch框架实现GAN（比较容易理解）Pytorch框架实现DCGAN（比较容易理解）CycleGAN的基本原理以及Pytorch框架实现1.WGAN产生背景    之所以会产生WGA

【深度学习】扩散模型（DiffusionModel）详解文章目录【深度学习】扩散模型（DiffusionModel）详解1.介绍2.具体方法2.1扩散过程2.2逆扩散过程2.3损失函数3.总结4.参考1.介绍扩散模型有两个过程：扩散过程：如上图所示，扩散过程为从右到左X0→XTX_0\rightarrowX_TX0​→XT​的过程，表示对图片逐渐加噪，且Xt+1X_{t+1}Xt+1​是在XtX_{t}Xt​上加躁得到的，其只受XtX_{t}Xt​的影响。因此扩散过程是一个马尔科夫过程。X0X_0X0​表示从真实数据集中采样得到的一张图片，对X0X_0X0​添加TTT次噪声，图片逐渐变得模糊。

目录1.了解CycleGAN（1）什么是CycleGAN （2）CycleGAN的应用场景  2CycleGAN原理（1）整个模型（2）优化目标 （3）训练生成器和判别器（1）训练生成器（2）训练判别器3.CycleGAN的网络结构 （1）生成器模型（2）判别器模型4.CycleGAN代码实现 5.mainWindow窗口显示转换之后风格图6.数据集下载和官方代码 GAN原理及Pytorch框架实现GAN（比较容易理解）Pytorch框架实现DCGAN（比较容易理解）1.了解CycleGANCycleGAN主页：https://junyanz.github.io/CycleGAN/（1）什么是

文献阅读：LLaMA:OpenandEfficientFoundationLanguageModels1.文章简介2.模型训练1.训练数据2.模型结构3.模型训练1.Optimizer2.效率优化3.效果评估1.经典任务下效果1.CommenSenseReasoning2.Closed-bookQuestionAnswering3.ReadingComprehension4.Mathematicalreasoning5.Codegeneration6.MassiveMultitaskLanguageUnderstanding7.Evolutionofperformanceduringtrain

文章目录WizardCoder:EmpoweringCodeLargeLanguageModelswithEvol-InstructNewsComparingWizardCoderwiththeClosed-SourceModels.ComparingWizardCoderwiththeOpen-SourceModels.CallforFeedbacksUnofficialVideoIntroductionsContentsOnlineDemoFine-tuningInferenceEvaluationHumanEval

目录1.池化的功能2.神经原网络设定最大卷积层的作用3. torch.nn.MaxPool2d()4.使用torch.nn.MaxPool2d()实战 3.Pytorch源码1.池化的功能先通过与卷积的相同点及不同点说明池化的功能。池化与卷积的共同点：池化操作也是原图像矩阵（或特征图矩阵）与一个固定形状的窗口（核、或者叫算子）进行计算，并输出特征图的一种计算方式；池化与卷积的不同点：卷积操作的卷积核是有数据（权重）的，而池化直接计算池化窗口内的原始数据，这个计算过程可以是选择最大值、选择最小值或计算平均值，分别对应：最大池化、最小池化和平均池化。由于在实际使用中最大池化是应用最广泛的池化方法，

PyTorch计算KL散度详解最近在进行方法设计时，需要度量分布之间的差异，由于样本间分布具有相似性，首先想到了便于实现的KL-Divergence，使用PyTorch中的内置方法时，踩了不少坑，在这里详细记录一下。简介首先简单介绍一下KL散度（具体的可以在各种技术博客看到讲解，我这里不做重点讨论）。从名称可以看出来，它并不是严格意义上的距离（所以才叫做散度~），原因是它并不满足距离的对称性，为了弥补这种缺陷，出现了JS散度（这就是另一个故事了…）我们先来看一下KL散度的形式：DKL(P∣∣Q)=∑i=1Npilog⁡piqi=∑i=1Npi∗(log⁡pi−log⁡qi)DKL(P||Q)=

0.往期内容[一]深度学习Pytorch-张量定义与张量创建[二]深度学习Pytorch-张量的操作：拼接、切分、索引和变换[三]深度学习Pytorch-张量数学运算[四]深度学习Pytorch-线性回归[五]深度学习Pytorch-计算图与动态图机制[六]深度学习Pytorch-autograd与逻辑回归[七]深度学习Pytorch-DataLoader与Dataset(含人民币二分类实战)[八]深度学习Pytorch-图像预处理transforms[九]深度学习Pytorch-transforms图像增强(剪裁、翻转、旋转)[十]深度学习Pytorch-transforms图像操作及自定义