这里放一些最近在看的概率图相关的内容
机器学习的一些内容最近用的时候发现忘了不少，之后这篇文章就总结一下PGM相关知识，主要包括贝叶斯网、马尔可夫以及相关的一些知识。
Prolog的做法是，先描述事实，比如A=3; A+B=5
接着输入问题 B=？
很显然会给出一个B=2的结果。
接下来是Problog，Pro代表probability，和Prolog的主要区别是，对于这里引入了概率。
例如：描述事实A=3的概率Pa为0.5；A+B=5的概率Pb为0.8
接着输入问题 B=？
会出来一个结果B=2的概率为0.4
在这个里面和之前不同的是结合了神经网络，因为Problog和prolog属于是符号语言，没有办法和真实世界的东西进行联系。
比如描述事实 A=‘一张数字图像3’
这个时候概率图模型就不知道这是什么了，所以可以结合神经网络，先对这个输入做一个判断之后，再输入给概率图模型进行运算。
© 本文著作权归作者所有，转载前请务必署名
想系统且细致的看一下LLM及MLLM的工作，之前一直跟到了BLIP2，后面的就了解的不全面了。这一系列的文章会有一个章节进行扫盲，比如这个工作里提到的held-in和held-out之类的。开始开始！
从数学本质出发，生成模型本质上是一种概率模型。它的生成过程可以表达成为数学中的两个过程，计算样本的概率分布和从概率分布中采样。以最基本的无条件图像生成模型为例，我们需要构建出一个概率分布函数P(x)，x为图像样本。它在x的像素空间中计算分布。在训练过程中，我们将x分为正负样本，正样本为现实世界中真实
Paint by Example: Exemplar-based Image Editing with Diffusion Models生成模型的效果总是很惊艳，但目前比较多的还是基于text prompt的图像生成。这段时间想到有没有方法对选中区域直接用给定的图进行inpaint，发现CVPR23
Large Language Model (LLM) 论文阅读最近LLM的论文几乎每天都会出来一篇新的，一些新出来的论文里面涉及的模块已经理解不了了哈哈，开一个坑也是让自己充充电本篇文章之后会作为一个相关文章的目录，方便回顾。一起主动拥抱新的技术吧～
模型量化学习资料整理模型的量化是深度学习模型落地不可或缺的一环，如何在边缘端让模型在尽量保证精度的同时，变得更小更快是一个挺有意思的问题。这周打算集中学习一下，本篇文章先记录一下质量较高的学习资料。nvidia int8 TRT量化 PPThttps://on-demand.gputechconf.
