线性变换：将输入分别通过三个不同的线性层，得到查询（Q）、键（K）和值（V）。计算注意力分数：通过计算查询（Q）和键（K）的点积，得到注意力分数。缩放和归一化：对注意力分数进行缩放，然后使用 Softmax 函数将其转换为注意力权重。加权求和：根据注意力权重对值（V）进行加权求和，得到最终的输出。分割多头（Multi - Head Splitting）是多头注意力机制（Multi - Head A

在扩散模型的反向去噪过程中（从xT​到x0′​），虽然需要迭代数十至数千步，但，且。

环节核心操作条件信息作用正向扩散真实数据→纯噪声（固定加噪）无作用反向扩散（训练）带噪数据→预测噪声（U-Net 学习）约束噪声预测，建立条件关联生成阶段纯噪声→真实数据（迭代去噪）引导生成方向，实现可控生成。

扩散模型的加噪过程是一条“从清晰图像到纯噪声”的连续轨迹（数学上称为“概率流ODE”）。例如，一张猫的图像会逐渐加噪为“轻微模糊的猫→中度模糊的猫→接近噪声的猫→纯噪声”。无论从这条轨迹上的哪个点（如“中度模糊的猫”或“接近噪声的猫”）出发，模型都能直接预测出同一张清晰图像（原始猫图）。这种“起点任意，终点唯一”的约束，是LCM能“跳步”的核心——它不需要按顺序迭代，而是直接瞄准终点。LCM的出现

通用 U-Net 是 “单输入 - 单输出” 的像素级预测网络，输入为图像，输出为分割图；扩散模型 U-Net 是 “多输入 - 单输出” 的噪声预测网络，输入需融合 “带噪数据、时间步、条件信息”，输出为与带噪数据同尺寸的噪声图；两者的核心差异源于任务目标：分割是 “归类像素”，而扩散模型是 “预测噪声”—— 这也解释了为何扩散模型要对 U-Net 做 “时间步嵌入、条件融合” 的定制化改造。

核心结论：遗传算法（GA）本身是进化优化算法，不属于传统机器学习范畴；关系本质：两者是“互补关系”——GA擅长“优化解”，ML擅长“学习模式”，常结合使用（GA辅助ML）；判断依据：若技术目标是“从数据中学习模式”，则属于ML；若目标是“寻找最优解”，则属于GA（或其他优化算法）。机器学习是“学规律”，遗传算法是“找最优”——前者是“学习”，后者是“优化”，二者不是从属关系，但常合作。

规则学习是机器学习中 “可解释性优先” 的重要分支，其核心是从数据中挖掘结构化的 If-Then 规则，平衡 “预测精度” 与 “逻辑透明”。尽管在处理复杂非线性数据时，规则学习的表达能力不如神经网络，但在金融、医疗、法律等需要 “决策可追溯” 的领域，它仍是不可替代的关键技术。理解规则学习的核心逻辑（规则结构、评价指标、学习策略），是掌握 “可解释 AI” 的重要基础。（注：文档部分内容可能由

监督学习：训练数据全为 “标注样本”（如 1000 张标注了 “猫 / 狗” 的图片），模型直接学习 “输入→标注结果” 的映射关系，优点是精度高，缺点是标注成本极高（需人工逐一标注）。无监督学习：训练数据全为 “未标注样本”（如 1000 张无任何标签的图片），模型仅从数据本身的分布特征（如颜色、形状）中挖掘规律（如聚类成 “毛茸茸类”“有羽毛类”），优点是无需标注，缺点是无法直接完成分类、回归

定义 12.1（PAC 辨识）：若存在学习算法，对于任意设定的误差阈值（介于 0 和 1 之间）和置信度阈值（介于 0 和 1 之间），当训练样本量足够大时，算法输出的假设能满足：泛化误差不超过误差阈值的概率，不低于（1 减去置信度阈值）。则称该算法能 PAC 辨识概念类。→ 核心：算法能以高置信度输出 “近似正确” 的假设。定义 12.2（PAC 可学习）

引入“样式混合”“截断技巧”，实现对生成图像特征（发型、肤色等）的精细控制，生成的人脸图像高度逼真，为后续StyleGAN系列奠定基础。Google多模态大模型，支持文本、图像、视频联合处理，可根据长文本、视频片段生成逻辑连贯的图像/视频内容，向动态内容生成延伸。OpenAI推出的早期文本-图像生成模型，可根据趣味文本描述（如“牛油果穿西装办公”）生成对应图像，开启多模态图像生成新方向。百度推出的