stable diffusion 训练的伪代码。

转载：https://gitter.im/BVLC/caffe/archives/2015/08/20Hi guysneed some help!I have this error when trying to install caffeCXX src/caffe/parallel.cppsrc/caffe/parallel.cpp:2:26: fatal error: cuda...

focal Loss梯度求导的链式法则：转载: https://blog.csdn.net/linmingan/article/details/77885832     反向传播网络的工作过程是首先进行信息的前馈，计算出各个节点的输入输出值，网络最终的输出，并把各个节点的输入输出值进行存储，利用损失函数求出最终的损失，然后进行损失的反向传播，在损失反向传播的过程中实际上是对各个节点的输出进行求梯度

SSD算法详解default box

faster RCNN的Python的画出来loss曲线图

全连接层的推导全连接层的每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。由于其全相连的特性，一般全连接层的参数也是最多的。全连接层的前向计算下图中连线最密集的2个地方就是全连接层，这很明显的可以看出全连接层的参数的确很多。在前向计算过程，也就是一个线性的加权求和的过程，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到，即 。如下图中第

模型调参：绘制loss曲线图

centerloss的论文解读

DDIM 与DDPM相比，忽略了条件[公式] ，是一个更一般的过程。在前向扩散中，DDPM尽管有累积公式，但其过程本质上是逐步的，每一步都依赖于前一步，符合马尔科夫链的定义。DDIM公式结构直接生成 [公式] ​，使得每一步都是独立的，不符合马尔科夫链的定义。在采样过程中，直接用 [公式] 替换 [公式] ，表示 [公式] 是独立的，使得整个过程不再是一个马尔科夫链，实现了跳步操作加速运算。1:d

概述在人脸相关应用中，获得的人脸图像常常形状各异，这时就需要对人脸形状进行归一化处理。人脸对齐就是将两个不同的形状进行归一化的过程，将一个形状尽可能地贴近另一个形状。值得注意的是，在英语文献中，Face Alignment和Facial Landmark Detection常常混用，在我的系列博客里面，Facial Landmark Detection指的是人脸特征点检测，而Face Alignm