1强化学习是机器学习的一个重要的分支，它主要研究如何在环境中做出合适的动作以最大化某些奖励理解：在所处环境下，怎样达到目标的最优方法或者步骤2强化学习中的几个核心概念智能体（Agent）环境（Environment）动作（Action）奖励（Reward）智能体存在于环境中，并会在环境中作出一些动作，这些动作会使得智能体获得一些奖励，这些奖励有正有负。强化学习的目标是...

SARSA 算法和 Q Learning算法是同一种强化学习基本算法。但是SARSA 算法采取了和Q Learning 不同的迭代更新策略。1 SARSA 算法SARSA 算法的更新步骤为：记录当前的state执行上一步选定的action 得到奖励reward 和 新的状态 new_state在new_state下 根据当前的Q函数 ，选定的要执行的不走new_actio...

VAE编码器的部分作用是将像素图片编码转为潜空间图片，SD在此潜空间图片上进行迭代生成，迭代后的图片再由VAE解码器部分转换成像素级图片。SD生成的图片是潜空间图片（Latent image）而不是直接使用的图片（Pixel image）。每一个数字转换成768维的向量。像素图片是正常使用的图片，通常包含主体的物体人物角色，和多余的部分空白背景等与主体无关的噪声。潜空间图片可以理解为是像素图片在高

train.py总体分为三部分（不算import 库）初始的一些设定 + train函数 + main函数一 .import 相关torch.distributed 分布式训练torch.optim.lr_scheduler 学习率衰减二.初始设定1使用混合精度训练2预训练权重路径Python可跨平台使用，但win和linux 的路径分隔符是不同的（斜杠）。这里的os.sep会根据你所处的平台，自

1 什么是知识蒸馏，知识迁移我们有一个训练好的教师网络Teacher Model 和 数据 和一个未训练好的学生网络Student Model。我们需要学生网络有着与教师网络相似的，相近的能力。实现的方式就是知识蒸馏，知识迁移。表现如图示：教师把知识传授给学生，学生学会了知识，就有和教师相似的能力。2 为什么要使用知识蒸馏，知识迁移项目实施通常会把模型部署到终端，然而终端的算力都是有限的。教师网络

GANGAN，Generative Adversarial Networks, 意为对抗生成网络，原始的GAN是一种无监督学习方法，通过使用‘对抗’的思想来学习生成式模型，一旦训练完成后可以全新的数据样本。GAN原理我们可以把GAN理解为一个生成数据的工具，实际GA...

index：- 机器学习中过拟合的概念- 抑制过拟合的方法过拟合过拟合：模型过于复杂，在训练集上面的拟合效果非常好 甚至可以达到损失为0  但是在测试集的拟合效果很不好欠拟合： 模型过于简单 在训练集和测试集的拟合的效果都不好例： sin曲线拟合 数据产生模型是由sin函数和噪声组成的。 这个随机生成的噪声满足正太分布 均值为0  方差：0.003的平方...