我建议这几种女生来健身，然后你就会发现你认为的缺点在健身届都是优点，大家追着你夸：
1，能吃（最好能睡）容易胖（内胚型容易长肌肉）
2，肩膀宽（再怎么练都比不上天生骨架的优势）
3，小腿粗（小腿是全身最难练的肌肉之一）
Remote
没修好社畜站不改名 
@konatasick@moresci.sale
mastodon 4.5.18不理性，不客观，中立
是站长，但不是小卖部的站长
很介意被剧透（包括游戏玩法）在我的游戏串下不请自来擅自教我打游戏或者透露后续玩法有概率被block
禁止未经允许的转载
硬拉-95kg 深蹲-50kg 卧推-30kg
动森梦境：DA-7277-0764-7799
打工岛：RA-2357-0843-7372
日常tag： #每日一芙 #每日一金 #每日一look #又菜又爱玩 #今天听什么
matrix：@konata:retirenow.top
0 Followers
0 Following
4 Posts
Joined December 10, 2020
大家是否会好奇，最近很火的AI画画是怎么学会画图的呢？
这就要涉及到两个方面了！一个是能生成出像“图”一样的数据（生成模型），一个是要听得懂我们想要它生成什么，并给出对应的结果（条件生成模型）。
首先来说说看如何生成出像图一样的东西！如果之前看过我写的GAN相关的文章：
那么你应该能大致上猜到，一个生成模型先吞进大量的数据（巨量的人类真实图片），然后再学习这些数据的分布，去模仿着生成一样的结果。机器学习呢讲到核心无非就是这么回事，难点终究是在如何设计模型让模型能更好学到这样的分布上。
如果是VAE，那就是和原图计算差距，所以生成的结果总是比较模糊。而GAN因为引进了判别器，生成器的图片需要骗过判别器，被当作真实的图片，于是它生成的结果肉眼上看会更加逼真。但是GAN由于要训练对抗网络，实在是太不稳定了，面对吞噬了网络剧量数据的超大规模网络来说非常难以控制。这就是为什么现在的AI画画普遍使用另一个新潮的生成模型——diffusion model。
Diffusion model生成图片的过程看似很简单，其实背后有一套非常复杂的统计原理。复杂到我至今没看懂，所以我就先不写了。让我来解释一下简单的部分！
图一是diffusion model生成图片的过程。右边是一个正常的图片，从右到左做的事情是在逐次叠加符合正态分布的噪声，最后得到一个看起来完全是噪声的图片。这个过程可以不严谨地想象成你有一块牛排，你在一遍一遍地往上撒椒盐，一直到整块牛排都被椒盐覆盖看不清原来的纹路。由于每次加噪声只和上一次的状态有关，所以是一个马尔科夫链模型，其中的转换矩阵可以用神经网络预测。
从左到右做的事情是一步步去除噪声，试图还原图片，这就是diffusion model的生成数据过程（inference）。
那么为了达到去噪的目的，diffusion model的训练过程实际上就是要从高斯噪声中还原图片，学习马尔科夫链的概率分布，逆转图片噪声，使得最后还原出来的图片符合训练集的分布。模型的loss使用极大似然估计来计算模型参数，将其问题转换为求解Variational Upper Bound，这部分和VAE类似，且我也没看懂，故略过不谈。
这个去噪的网络是如何设计的呢？我们可以从叠加噪声的过程中发现，原图和加噪声后的图片尺寸是完全一样的！（废话）于是很自然能想到用一个U-net结构（如图二）来学习。U-net是一个类似auto-encoder的漏斗状网络，但在相同尺寸的decoder和encoder层增加了直接的连接，以便于图片相同位置的信息可以更好通过网络传递。在去噪任务中，U-net的输入是一张带噪声的图片，需要输出的是网络预测的噪声，Groundtruth是实际叠加上的噪声。有了这样一个网络，我们就可以预测噪声，从而去除掉它还原图片。（带噪声的图片=噪声+图片）
这就是diffusion model生成图片的原理啦！是不是很简单呢！但是背后的数学推导我无论如何都看不懂呢，希望有人来教教我。