Pix2Pix是一种用于图像到图像转换的深度学习模型，基于条件生成对抗网络(cGAN)，能够将一种图像类型转换为另一种图像类型,可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。同样使用生成器和判别器模型，使用成对出现的图片进行训练，例如黑白和彩色图片。

使用RELU6激活函数优点是让值固定到0到6之间减少了大数的计算，提高了模型计算的运行效率，让模型更加稀疏。MobileNetV2首先使用1x1卷积升维然后使用3x3DepthWise卷积最后使用1x1卷积再降维。

knn(K近邻算法)既可用于分类也可用于回归算法。

使用RNN实现情感分类需经过数据预处理、模型构建、训练评估等步骤。首先清洗并转换文本数据为序列形式，然后搭建RNN网络并添加全连接层。接着，利用训练集优化模型参数，并在测试集上评估性能。最后，将训练好的模型应用于实际情感分类任务。RNN能捕捉文本序列信息，适用于情感分类场景。

Diffusion模型是通过向原始数据中逐步添加噪声，然后学习一个逆过程来从噪声中恢复数据。包括两个主要过程：前向扩散过程和反向扩散过程。前向扩散过程是将数据逐步转换为噪声的过程，而反向扩散过程则是从噪声中逐步恢复数据的过程.

通过将大图片切割成一块块小图片并使用类似词向量的处理方式可以更好的提取每个小图片的信息，不需要卷积操作因此提高了模型的计算效率，可以通过大图片数据集来进行模型预训练提升准确率。Vit是使用Transformer架构来解决图片识别的问题。

清华大学座落于首都北京使用BIO标注： B | I | I | I | O | O | O | O | O | B | I。清华大学座落于首都北京使用BIOES标注：B | I | I | E | O | O | O | O | O | B | E。B 实体的开头 I 实体的其他O非实体部分E 实体结尾 S 单字(实体)B 实体的开头 I 实体的其他O非实体部分。

1. 用户输入的文本描述作为输入传递给一个固定的文本编码器模型，以获得一系列隐形状态表示。3. 对这些音频token使用音频压缩模型（如EnCodec）进行解码，以恢复音频波形。2. 训练MusicGen解码器来预测离散的隐形状态音频token。

DCGAN通过结合卷积神经网络（CNN）和生成对抗网络（GAN）的原理，实现了对图像的高效处理。DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。

CycleGAN无需要求训练数据的图片成对出现，只要有两个域的数据出现即可，属于一种新的无监督训练。CycleGAN 网络本质上是由两个镜像对称的 GAN 网络组成，生成器模型参考ResNet模型。1. 128x128使用6个残差块链接。2. 256x256使用9个残差块链接。