本章使用Pix2Pix完成了图像翻译任务。它基于cGAN，与传统GAN的不同是增加了条件信息。而在Pix2Pix中，指导信息为图片。而生成器和判别器分别采用U-Net和patchGan。

return resreturn resreturn resreturn valreturn d1# 定义上下采样操作的别名本章基于denoising diffusion probabilistic model （DDPM）完成了构建模型的搭建。其中正向过程用于加噪，逆向过程用于降噪，他们都基于高斯分布。因此神经网络就是学习条件概率分布的均值和方差。这里使用Unet构建模型，它在编解码器中加入了残

本章基于glove，使用LSTM完成情感分类任务。

定义一个6层的神经网络，包括1个展平层，三个全连接层， 两个relu激活层。nn.ReLU(),nn.ReLU(),在模型训练中可以自己设置的控制模型训练中的参数。模型参数是在训练过程中通过优化算法自己学习到的，而超参数是手动或通过一些方式在训练前设定的，在训练过程中保持不变。深度学习中大多拆用批量随机梯度下降算法进行优化。wt1wt−η1n∑x∈B∇lxwtwt1​wt​−ηn1​x∈B∑​∇l

本章介绍了使用GPT2进行文本总结任务的基本流程，包括数据导入、数据预处理、模型训练、和模型推理。

本章使用bert完成了智能对话场景下的情感识别，情感包括正面、负面、中性，可以帮助改善产品体验、或提升客服质量等。直接加载bert的预训练模型，给出分类数，再定义优化器、评价指标，构建训练器即可。可以直接使用bert-chinese的分词器。

使用二进制交叉熵损失函数BCELoss，使用Adam优化器lr = 0.0002 # 学习率# 损失函数# 优化器本章使用GAN完成了手写字体生成任务。

本节介绍了两个场景下保存和加载模型，分别是对模型参数的，和对中间结果的。对于模型参数，后续创建一样的模型，再填充参数。对于IR，保存的是中间结果。因此存放时需先输入，再保存。后续可以将模型直接用于推理。

本章介绍了静态图加速的相关操作。

本篇介绍了在自回归语言模型下的几类文本生成算法，包括最简单的贪心法、有多种变体的sample、以及beam search束搜索。