​本篇文章，我们来讲DragDiffusion，他与DragGAN是一个差不多的。只是一个是用GAN去做；一个是用Diffusion去做。总之就是换汤不换药。

本篇文章，主要是为了给大家一个学习AI的学习路线。目前网络上有很多的网络资源，但是很多人都是东捡一集，西捡一集，导致学习体系不完备，加上学习资源的质量参差不齐。最终总是遇到各种各样奇怪的问题。所以，本篇文章，我将跟大家说一下，从零基础，该如何学习。【一个视频教会你该如何去学习人工智能！-哔哩哔哩】

上一篇【机器学习】粒子滤波原理推导（一），我们就如何去求解粒子滤波Filter问题的期望，得到了各种递推式。但是会产生权值退化的问题。这篇文章就解释一下什么是权值退化，又该如何去解决。

​感知机是神经网络的前身，学习神经网络，当燃不可避免的要先从感知机开始啦！网络对感知机原理进行讲解的博文数不胜数。有的文章图文结合，旁征博引，引经据典。令人赞叹。笔者也不认为能够写得比别人好。因此，本文仅介绍简单的原理过程和转化为代码实现的过程。如果想看详细、严谨的引入推导等等，请移步其他博文。

本文将讲近些年来挺火的一个生成模型GAN生成对抗网络\boxed{\mathbf{GAN生成对抗网络}}GAN生成对抗网络​，其特殊的思路解法实在让人啧啧称奇。

1、前言呃。。。好多天没更新了，最近 黑神话悟空 相当火啊，看上瘾了。本篇内容，我们来讲一下VITS。视频：语言合成 & 变声器 ——VITS原理解析①_哔哩哔哩_bilibili2、VITS训练图预测图：2.1、条件VAE的优化目标对于VITS，其实可以看做是一个条件VAE，所以我们直接开始求极大似然（x是音频，c是对应条件，如文本等等）log⁡P(x∣c)=log⁡P(x,z∣c)P(

本文将讲近些年来挺火的一个生成模型GAN生成对抗网络\boxed{\mathbf{GAN生成对抗网络}}GAN生成对抗网络​，其特殊的思路解法实在让人啧啧称奇。

本篇介绍条件GAN——CGAN，这其实是一个挺简单的模型，只要你知道GAN这个模型，就很容易能够看懂这个，因为CGAN就是在GAN的基础上加上了一个条件，CGAN的作用就是可以依据标签生成对应的图像。【伪造指定图像——CGAN原理解析-哔哩哔哩】

由于篇幅受限，CSDN不能发布超过一定次数的文章，故在此给出上一篇链接：【深度学习】diffusion原理解析3.2、目标函数求解里面的最后一项，q(xT∣x0)q(x_T|x_0)q(xT​∣x0​)我们前面提到过，其近似服从标准正态，而对于P(xT)P(x_T)P(xT​)，我们是假定为标准正态，这两项都可以求出来，所以没有任何可学习的参数真正需要优化的是第一项和第二项。第一项就是重构损失；而

上一篇【机器学习】粒子滤波原理推导（一），我们就如何去求解粒子滤波Filter问题的期望，得到了各种递推式。但是会产生权值退化的问题。这篇文章就解释一下什么是权值退化，又该如何去解决。