ROADMAP
Meta
test
回忆提纲需要什么： - 该名词是做什么的 - 方法是什么，需要什么（接口）
非常重要
- 尽快学习语言
- yyu 的 rl 教程 https://hrl.boyuai.com/
- d2l 中，搭建优秀网络结构
- 7.4 Done
- 7.7 Done
- 看下 Googlenet 训练时间和显存占用
- https://d2l.ai/chapter_attention-mechanisms-and-transformers/queries-keys-values.html
- 上层模型训练 https://blog.csdn.net/qq_42589613/article/details/139207148
- 部署
- 加速
有用
- Notion 三件套 #private https://www.notion.so/tt-tang/30b7b6709a9641f5bf77b16ca103855c
- mkdocs 网页渲染 typst
- 编译原理 [[北大编译实践]]
- zig 语法 https://www.zhihu.com/question/50121841/answer/2725592129
- fishbot 与电机控制
- 类型体操 pk
- 自建通用优化库。先学习 yolo 等，以考虑自变量是否可以是非固定空间。
[[cs自学指南]]
一般
- next.js 创建动态内容 https://segmentfault.com/a/1190000009604779
TOWRITE
- 电能相比热能的优势
- 解释与预测
项目概述
在这个项目中，你将实现一个自编码器，用于探索和生成通过组合不同类别的特征向量而生成的混合图像。本项目主要集中在使用Fashion MNIST数据集，并且作为一个挑战，你将把相同的方法应用于CIFAR-100数据集。
任务详情：
- 数据集准备和过滤：
- 加载并预处理Fashion MNIST数据集，确保数据被标准化并分割为训练集和测试集。
- 过滤数据集以专注于特定类别（例如，运动鞋和T恤）。
- 自编码器实现：
- 设计并实现一个自编码器模型，包括编码器和解码器部分。编码器将输入图像压缩到低维特征空间，解码器则将特征向量还原为图像。
- 训练自编码器：
- 使用训练集数据训练自编码器模型，确保模型能够有效地重建输入图像。
- 计算类别特征质心：
- 计算每个类别的特征质心（即每个类别在特征空间中的平均特征向量）。
- 生成平均图像：
- 使用类别特征质心通过解码器生成每个类别的平均图像。
- 生成混合图像：
- 通过组合不同类别的特征向量生成混合图像，例如，组合运动鞋和T恤的特征向量生成混合图像。
- CIFAR-100挑战练习：
- 将上述方法应用于CIFAR-100数据集，生成不同类别（例如，汽车和飞机）的混合图像。
最终目标
创建混合对象。例如，先生成运动鞋和T恤的混合图像，然后生成汽车和飞机的混合图像。
报告要求
在项目结束时，你需要撰写一份适当长度的报告，可能至少需要半页。在报告中，你应该描述你是如何完成任务的。具体包括： - 遇到的困难（由于方法导致的，例如“训练样本不足以收敛”，而不是技术上的问题如“无法通过pip安装包”）。 - 采取的缓解困难的步骤。 - 对你所做工作的总体描述，解释你是如何理解任务的，以及你为解决任务所做的工作，用通俗语言描述，无需代码。 - 你方法的潜在局限性，可能存在的问题，以及在不同数据或稍有不同的条件下可能会遇到的困难。 - 如果你有如何扩展这个项目的有趣想法，也请描述一下。
在这个项目中，你将尝试使用CycleGAN将马的图像转换成猫的图像。由于这是一个较为复杂的任务，项目中已经提供了大量的代码，但你仍需要添加一些代码并进行训练和评估。
任务详情：
- 添加训练Cycle GAN所需的代码：
- 完善数据加载器（data loaders）等必要的代码部分，以便能够加载和预处理马和猫的图像数据集。
- 确保数据加载器能够处理图像数据并将其转换为适合CycleGAN模型训练的格式。
- 训练和优化Cycle GAN：
- 训练CycleGAN模型，使其能够将马的图像转换成猫的图像，并能将转换后的猫图像还原为马图像。
- 优化模型的超参数（如学习率、批量大小等），从小分辨率图像开始训练，以逐步了解模型的行为和超参数的影响。
- 训练过程中需要监控损失函数，并根据损失值调整训练策略。
- 可视化生成的图像：
- 生成并展示一些转换后的图像样本，展示从马图像转换成猫图像的效果。
- 由于缺乏定量评估指标，主要通过定性评估生成图像的质量。
报告要求
在项目结束时，你需要撰写一份适当长度的报告，可能至少需要半页。在报告中，你应该描述你是如何完成任务的。具体包括： - 遇到的困难：描述在方法上遇到的困难，例如“训练样本不足以收敛”，而不是技术上的问题如“无法通过pip安装包”。 - 采取的缓解困难的步骤：描述你为解决这些困难所采取的措施。 - 总体描述：对你所做工作的总体描述，解释你是如何理解任务的，以及你为解决任务所做的工作，用通俗语言描述，无需代码。 - 潜在局限性：描述你方法的潜在局限性，可能存在的问题，以及在不同数据或稍有不同的条件下可能会遇到的困难。 - 扩展想法：如果你有如何扩展这个项目的有趣想法，也请描述一下。