generative 第7页

MelGAN: Generative Adversarial Networks for Conditional Waveform Synthesis笔记

文章目录简介网络细节生成器总体结构源码分析设计思路判别器总体结构源码分析损失函数实验结果论文地址：《MelGAN:GenerativeAdversarialNetworksforConditionalWaveformSynthesis》官方源码：github地址简介常见的TTS系统不是直接生成音频，而是中间先生成一种声学特征（多数为Mel频谱图），再由声学特征生成音频。MelGAN解决的就是声学特

Brielleqqqqqqjie·2023-02-17 00:39

论文笔记：Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks

1.什么是deconvolution反向映射，用来可视化深度特征，也可以用来重建图片。2.合成图片两种方式：1）生成全图的模型，效果不错但只对小图work,保真度fidelty低，一般用autoencoder2）马尔科夫模型，同时生成texture。可以捕获局部patch的统计信息。本文是第二种3.主要通过stridedconvolutionalnetwork取代pooling来加速inversi

John2King·2023-02-17 00:08

05.SNGAN（Spectral Normalization for Generative Adversarial Networks）

参考链接SNGANintroducemethod频谱范数实现奇异值conclusionintroduce现在我们的目的，是要保证对于每一个位置的x，梯度的模都小于等于1。在神经网络中，将梯度的模限制在一个范围内，抽象地来说就是让产生的函数更平滑一些，最常见的做法便是正则化。SNGAN（频谱归一化GAN）为了让正则化产生更明确地限制，提出了用谱范数标准化神经网络的参数矩阵W，从而让神经网络的梯度被限

小葵向前冲·2023-02-16 21:02

[论文笔记] SPECTRAL NORMALIZATION FOR GENERATIVE ADVERSARIAL NETWORKS

简介：对normalization层进行改进，提出spectralnormalization（SN-GAN），以提高Discriminator的训练稳定度；优点：1、Lipschitz常数是唯一需要进行调节的超参；2、实现简单，额外的计算成本很低；一、背景原始（2014年）GAN公式，Ex～qdata[log⁡D(x)]+Ex′～pG[log⁡(1−D(x′))]E_{x～q_{data}}[\l

hellopipu·2023-02-16 21:44

Lecture 1_Extra Classification Probabilistic Generative Model

Lecture1_ExtraClassification:ProbabilisticGenerativeModel文章目录Classification:ProbabilisticGenerativeModel分类的概念Pokemon属性预测如何做分类训练数据ClassificationasRegression?理想模型一些简单的概率概率与分类的关系先验概率（Prior）高斯分布（Gaussiand

Yi_cAt·2023-02-07 08:48

《BioGPT: Generative Pre-trained Transformer for Biomedical Text Generation and Mining》 ---- 译文与PPT解释

BioGPT：用于生物医学文本生成和挖掘的生成式预训练器作者：微软研究院RenqianLuo原论文:《BioGPT:GenerativePre-trainedTransformerforBiomedicalTextGenerationandMining》文章目录BioGPT：用于生物医学文本生成和挖掘的生成式预训练器写在前面的话摘要引言相关工作预训练方法微调方法实验结论个人收获写在前面的话摘要引言

Gaolw1102·2023-02-07 08:46

Generation of 3D Brain MRI Using Auto-Encoding Generative Adversarial Networks论文解读

Generationof3DBrainMRIUsingAuto-EncodingGenerativeAdversarialNetworks摘要介绍方法模型结构损失函数训练流程本文出自MICCAI2019。摘要随着深度学习在医学图像分析任务中显示出前所未有的成功，缺乏足够的医学数据正成为一个关键问题。近年来，利用生成对抗网络（GAN）解决有限数据问题的尝试在生成具有多样性的真实图像方面取得了

风雪夜归人o·2023-02-06 18:46

2019-CVPR-Geometry-Consistent Generative Adversarial Networks for One-Sided Unsupervised Domain Mapp

单侧无监督域适应的几何一致生成对抗网络1.摘要：无监督域映射旨在学习一个函数翻译域X图像到域Y图像，在配对样本缺少的情况下。在没有配对数据情况下，发现最优的是一个病态的问题，因此获得合理的解需要适合的约束。尽管一些著名的（prominent）约束，例如循环一致性（cycleconsistency），距离保留（distancepreservation）成功地约束解空间，但是他们忽视了图像的特殊属性—

开心就哈哈·2023-02-06 18:45

13、Efficient Geometry-aware 3D Generative Adversarial Networks

简介仅使用单视图2D照片集合无监督生成高质量的多视图一致图像和3D形状一直是一项长期存在的挑战。现有的3DGAN要么是计算密集型的，要么是进行不3D一致的近似;前者限制了生成图像的质量和分辨率，后者会对多视图一致性和形状质量产生不利影响。在这项工作中，提高了3DGAN的计算效率和图像质量，而不会过度依赖这些近似值。为此，引入了一种富有表现力的混合显式-隐式网络架构，该架构与其他设计选择一起，不仅可

C--G·2023-02-06 18:13

【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification

方法概述1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。2，在生成模块中，我们引入了3D网格生成器。3，在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献内容概要论文名称简称会议/期刊出版年份baselinebackbone数据

_Summer tree·2023-02-05 23:03

2020 cs231n 作业3 笔记 Generative_Adversarial_Networks_PyTorch

GenerativeAdversarialNetworks论文地址：GenerativeAdversarialNetworks对抗生成网络（GAN）的主要结构包括一个生成器G（Generator）和一个判别器D（Discriminator）。判别器D的目标：对输入的图片正确进行判别为真图片还是假图片。生成器G的目标：生成假图片，但是能让判别器判断为真。所以一方面：要最大化生成器生成的图片被判别为真

cheetah023·2023-02-05 07:32

Generative Adversarial Networks 生成对抗网络 Matlab实现与讲解

GAN是一种特殊类型的多层前馈神经网络。整体上看，它就是一个多层前馈神经网络；分开来看，其包含生成器（Generator）与判别器（Discriminator）两个网络（多层前馈神经网络）。GAN属于生成模型，它的主要作用就是生成与训练数据相似的数据。GAN的核心思想：GAN之所以能够生成与训练数据相似的数据，是因为有生成器，生成器就是负责生成样本的。而判别器是负责判定生成器生成的数据质量高低与否

罗辑罗辑·2023-02-04 17:46

InfoGAN: Information Maximizing Generative Adversarial Nets论文阅读

[toc]1.InfoGAN:InterpretableRepresentationLearningbyInformationMaximizingGenerativeAdversarialNetsarXiv:1606.03657[cs.LG]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要InfoGAN对生成对抗网络的信息理

山雾幻华·2023-02-03 11:02

Generative Adversarial Network Fittingfor High Fidelity 3D Face Reconstruction论文笔记

0、摘要总结了过去人脸重建的趋势（深度卷积的力量神经网络（DCNN）），和最近几年可微渲染器来学习面部身份特征与3D可变形模型的形状和纹理参数之间的关系。但这些都无法高质量的重建纹理和高保真度，介绍了论文利用生成对抗网络(GAN)和DCNNs来从单个图像重建面部纹理和形状。1、Introduction过去：主要的研究方向，利用深度卷积神经网络进行3D形状和纹理重建，包含的两种方法：1训练回归DCN

HR_Reborn·2023-02-02 17:56

判别式模型和生成式模型的区别（discriminative model and generative model）

判别式模型和生成式模型的区别（discriminativemodelandgenerativemodel）本博客转载自：http://blog.csdn.net/amblue/article/details/17023485在NLP和机器学习中经常会遇到这两种显著不同的模型，在学习阶段（训练阶段）和评估阶段（测试阶段）都有不同的表现总结一下它们之间的区别，欢迎补充：1.二者最本质的区别是建模对象不

Allenlzcoder·2023-01-31 09:52

MATLAB算法实战应用案例精讲-【数模应用】概率生成模型（Generative Model）（补充篇）

前言几个高频面试题目非概率模型和概率模型的区别非概率模型非概率模型指的是直接学习输入空间到输出空间的映射h，学习的过程中基本不涉及概率密度的估计，概率密度的积分等操作，问题的关键在于最优化问题的求解。通常，为了学习假设，我们会先根据一些先验知识(priorknowledge)来选择一个特定的假设空间H(函数空间)，例如一个由所有线性函数构成的空间，然后在这个空间中找出泛化误差最小的假设出来，其中是

林聪木·2023-01-31 09:21

GPT模型：Improving Language Understanding by Generative Pre-Training

https://blog.csdn.net/ACM_hades/article/details/88899307

椒椒。·2023-01-30 20:47

《Improving Language Understanding by Generative Pre-Training》论文笔记

引言GPT（GenerativePre-Training）受到《Semi-SupervisedSequenceLearning》与《UniversalLanguageModelFine-tuningforTextClassification》的启发，采用“预训练+Fine-tune”两阶段的方式，在不降低模型效果的基础上，以统一的模型结构处理不同的NLP任务，并有效地降低有监督学习对标注数据的依赖

凯子要面包·2023-01-30 20:47

GPT：Generative Pre-Training改善语言理解

1简介GPT：GenerativePre-Training。本文根据《ImprovingLanguageUnderstandingbyGenerativePre-Training》翻译总结。GPT：一种半监督方法，首先是非监督的预训练，然后进行监督训练微调。像LSTM结构的模型也使用预训练进行了提升，但是因为LSTM限制其预测能力。GPT采用的transformerdecoder结构。监督训练微调

AI强仔·2023-01-30 20:47

Improving Language Understandingby Generative Pre-Training

1摘要目前大多数深度学习方法依靠大量的人工标注信息，这限制了深度学习在很多领域的应用。此外，即使在可获得相当大的监督语料情况下，以无监督学习的方式学到的表示也可以让性能显著的提升。到目前为止，最引人注目的证据是广泛使用预训练词嵌入来提高一系列NLP任务的性能。GPT全称GenerativePre-Training，是一种半监督学习方法，它致力于用大量无标注数据让模型学习“常识”，以缓解标注信息不足

与光i·2023-01-30 20:17

[文献阅读]——Improving Language Understanding by Generative Pre-Training

Muasci·2023-01-30 20:17

论文阅读：GPT-Improving Language Understanding by Generative Pre-Training

Abstract通过在不同的无标记的文本语料库上生成语言模型的预训练，然后对每个任务进行区分性调整在微调期间使用任务感知的输入转换，同时对模型体系结构进行最小的更改1.INTRODUCTION未标记文本的单词级信息仍旧是一个挑战1.First,itisunclearwhattypeofoptimizationobjectivesaremosteffectiveatlearningtextrepre

咕噜咕噜day·2023-01-30 20:17

论文阅读《Improving Language Understanding by Generative Pre-Training》

论文地址：《ImprovingLanguageUnderstandingbyGenerativePre-Training》文章目录论文介绍相关工作框架预训练阶段微调阶段实验分析论文介绍本论文探索一种基于半监督解决语言理解任务方法，使用无监督预训练和监督微调。目标是从大量未标注语料库学习一种普遍的表征，不要求目标任务与未标注语料库在相同领域。训练分为两个阶段：首先，在未标注数据上使用语言建模来学习神

Diobld·2023-01-30 20:46

Improving Language Understanding by Generative Pre-Training

Abstract由于标注数据的缺乏，直接训练判别式模型效果不是很理想。本文展示了先在大规模未标注语料上预训练生成式语言模型然后在每个判别式任务上进行fine-tuning可以获得较大的效果提升。相比于以前的方法，本文在fine-tuning阶段利用了task-awareinputtransformations,实现了有效的迁移学习并且只需要很少的模型结构调整。Introduction从原始文本中有

chansonzhang·2023-01-30 20:46

文献阅读：Improving Language Understanding by Generative Pre-Training

文献阅读：ImprovingLanguageUnderstandingbyGenerativePre-Training1.文章简介2.模型介绍3.实验考察1.训练数据2.实验结果3.消解实验4.总结&思考文献链接：https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf

Espresso Macchiato·2023-01-30 20:16

Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks（小白学GAN 十二）

原文链接：https://arxiv.org/pdf/1612.05424.pdf简介背景：目前很多基于监督的学习方法成功的关键都是大量的数据，然而实际中去收集足够样本是困难的。于是，生成数据样本是一种可取的方案，本文就是使用GAN来将一个域中的数据转化到另一个域中。核心思路：将已有的源数据以随机噪声为条件的情况下一同输入生成器生成新的数据，并将此数据通过判别器来分辨真伪，并通过T网络进行训练。基

飓风神龙·2023-01-29 19:56

【论文学习】UPHDR-GAN: Generative Adversarial Network forHigh Dynamic Range Imaging with Unpaired Data

UPHDR-GAN：基于非配对数据的高动态范围成像生成对抗网络摘要introduction主要贡献proposedmethod网络框图网络详介1、输入2、生成器输出3、生成器4、鉴别器5、Min-patchModule损失函数优化方程目标函数GANLoss:摘要本文提出了一种有效融合多曝光输入的方法，利用未配对数据集生成高质量的高动态范围(HDR)图像。基于深度学习的HDR图像生成方法严重依赖成对

这也太难了趴·2023-01-29 12:15

生成模型（Generative）和判别模型（Discriminative）

目录1决策函数Y=f(X)或者条件概率分布P(Y|X)2生成方法和判别方法2.1生成方法2.2判别方法3特点及对比3.1生成模型3.2判别模型3.3总结4对于跟踪算法5问题常见的概率图模型中，哪些是生成式模型，哪些是判别式模型？1决策函数Y=f(X)或者条件概率分布P(Y|X)监督学习的任务就是从数据中学习一个模型（也叫分类器），应用这一模型，对给定的输入X预测相应的输出Y。这个模型的一般形式为决

意念回复·2023-01-29 11:13

生成模型（Generative Model）

1.基本概念目标是学习样本点的分布。学到后可以生成数据，故称为生成模型。2.实现步骤（1）假设样本点的分布（例如高斯分布）（2）通过样本点计算均值和方差通常使用联合分布以减少参数的个数。共用协方差矩阵后，边界形状发生变化。（3）分类P（A|B），读作“在B的条件下A的概率”。

大黑山小马哥·2023-01-29 11:43

机器学习-白板推导系列(三十)-生成模型(Generative Model)

机器学习-白板推导系列(三十)-生成模型(GenerativeModel)30.1生成模型的定义前面所详细描述的模型以浅层的机器学习为主。本章将承上启下引出后面深度机器学习的部分。本小节，主要讲述的是什么是生成模型，它是不是只是生成样本，生成数据？它的任务是什么？精准的定义是什么？这个问题实际上在之前的章节中有过详细的介绍。这里更进一步总结。之前讲过的简单的生成模型，包括：高斯混合分布（GMM），

Paul-Huang·2023-01-29 11:05

30 生成模型综述 Generative Model

1生成模型的定义前面所详细描述的模型以浅层的机器学习为主。本章将承上启下引出后面深度机器学习的部分。本小节，主要讲述的是什么是生成模型，它是不是只是生成样本，生成数据？它的任务是什么？精准的定义是什么？这个问题实际上在之前的章节中有过详细的介绍。这里更进一步总结。回忆一下，之前讲过的简单的生成模型，包括高斯混合分布（GMM），GMM的主要任务是聚类，属于非监督学习；而监督学习中的生成模型，最简单的

AI路上的小白·2023-01-29 11:04

MATLAB算法实战应用案例精讲-【数模应用】概率生成模型（Generative Model）

前言知识储备表征学习背后的核心思想representationlearning，不是试图直接对高维样本空间建模，而是使用一些低维潜在空间来描述训练集中的每个观察，然后学习一个映射函数，该函数可以在潜在空间中取一个点，将其映射到原始域中的一个点。换句话说，潜在空间中的每个点都是一些高维图像的表示。这在实践中意味着什么？假设有一个由饼干罐的灰度图像组成的训练集。很明显有两个特征可以唯一地代表这些罐中的

林聪木·2023-01-29 11:32

Generative Adversarial Nets论文翻译

AbstractWeproposeanewframeworkforestimatinggenerativemodelsviaanadversarialprocess,我们提出一种新的框架去测量生成模型通过对抗过程inwhichwesimultaneoulytraintwomodels:agenerativemodelGthatcapturesthedatadistribution,通过一个过程我们

唐僧爱吃唐僧肉·2023-01-29 00:11

Generative Adversarial Nets 论文阅读报告

摘要本文提出了一种通过对抗过程训练生成模型的框架。这一框架下，同时训练生成模型GGG和判别模型DDD。生成模型GGG学习数据分布，判别模型DDD判别输入的数据来自训练用的数据集的概率ppp（来自数据集的概率为ppp，来自生成模型GGG的概率为(1−p)(1-p)(1−p)）。训练的目的是，对于GGG生成的数据，最大化DDD判别数据是否来自训练集的错误率，这意味生成模型输出的数据很好地拟合了数据集的

ChenXu+86·2023-01-29 00:10

论文：Generative Adversarial Nets

pdf:http://de.arxiv.org/pdf/1406.2661code:https://github.com/goodfeli/adversarial摘要我们提出了一个新的框架，用于通过对抗来估计生成模型过程中，我们同时训练两个模型：生成模型G捕获数据分布，以及判别模型D样本来自训练数据而非G的概率。训练G的过程是最大程度地提高D犯错的可能性。这个框架对应于一个两人零和游戏。在任意空间

君莫笑xxx·2023-01-29 00:09

Generative Adversarial Nets中文翻译(转载)

仅供参考，如有翻译不到位的地方敬请指出。论文地址：GenerativeAdversarialNets论文翻译：XlyPb（http://blog.csdn.net/wspba/article/details/54577236）摘要我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D

wanfuchun·2023-01-29 00:39

Generative Adversarial Nets 论文笔记

论文地址GenerativeAdversarialNets摘要首先，在论文中提出了一个新的框架：生成对抗网络框架，这个框架是为了通过对抗的过程实现评估生成模型。处理过程中，我们同时训练两个模型，通过多层感知机定义在整个训练过程中使用反向传播算法。整个训练和样本生成阶段不需要马尔可夫链和展开的近似推理网络。1.生成模型G设计目的：捕获数据分布；训练过程：最大化判别模型错误的可能性，换言之，D没有识别

不会写代码の程序员·2023-01-29 00:37

最优传输论文（十四）：Generative Adversarial Nets论文原理

目录前言IntroductionRelatedworkAdversarialnetsTheoreticalResultsGlobalOptimalityofpg=pdatap_g=p_{data}pg=pdataConvergenceofAlgorithm1论文后面的实验等内容请阅读原文。代码前言这篇文章的影响力就不用我说了，之前对它的大致内容也有所了解，但是这里想深入回顾一遍。发表于2014年的

CtrlZ1·2023-01-29 00:37

【论文阅读】Conditional Generative Adversarial Nets

碎碎念参加jittor比赛，热身赛中使用的GAN模型，想起自己还没真正使用过GAN，希望通过这个机会学习下引入想要真正地理解世界，就应该能够生成世界的种种组成。因此出现了生成模型；生成模型是说，我们随机地生成一些图片（以图片任务为例），使得这些图片能够尽可能地描绘真实世界；然而这个标准很难量化去衡量（怎么样才算真实？），因此提出生成对抗网络GAN，同时设计生成器和判别器两个部分，生成器的任务是努力

反科研pua所所长·2023-01-29 00:30

Generative Adversarial Nets 论文翻译

论文原文：https://dl.acm.org/doi/pdf/10.1145/3422622代码：GitHub-goodfeli/adversarial:Codeandhyperparametersforthepaper"GenerativeAdversarialNetworks"标记意义test个人的理解test不太懂的翻译test重点关注文本目录GenerativeAdversarialNe

I will，·2023-01-29 00:29

CGAN:Conditional Generative Adversarial Nets论文阅读

[toc]1.ConditionalGenerativeAdversarialNetsarXiv:1411.1784[cs.LG]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要在GAN的基础上引入标签y，同时使用在生成器和判别器中.可以应用于多模态模型中。1.2.介绍生成对抗网络规避了棘手的概率计算不需要使用马尔科夫链，仅

山雾幻华·2023-01-26 10:00

CS231n-assignment3-Generative Adversarial Networks (GANs)

什么是GAN?2014年，Goodfellow等人提出了一种生成模型训练方法，简称生成对抗网络(generativeAdversarialNetworks，简称GANs)。在GAN中，我们构建两种不同的神经网络。我们的第一个网络是传统的分类网络，称为鉴别器。我们将训练鉴别器来拍摄图像，并将其分类为真实(属于训练集)或虚假(不存在于训练集)。我们的另一个网络称为生成器，它将随机噪声作为输入，并使用神

Esaka7·2023-01-26 03:21

【AM】Glow-TTS: A Generative Flow for Text-to-Speech via Monotonic Alignment Search

cxxx17·2023-01-25 13:26

计算机视觉图像论文,2021年3月26最新论文（计算机视觉，图像分割，图像识别，图像分类）...

[1]-----------------------------------------------------[25][26]Generative-Adversarial-Networks-basedGhostRecognition

Hanlvvisa-黄先生·2023-01-21 19:10

Diffusion Models, CLIP与 DALLE 的学习与感悟

(Generative)DiffusionModels还是先横向对一下最近比较火的几个生成模型GAN、VAE、Flow-basedModels、DiffusionModels。

秃然变强了·2023-01-19 15:40

JPGNet: Joint Predictive Filtering and Generative Network for Image Inpainting

JPGNet:JointPredictiveFilteringandGenerativeNetworkforImageInpainting：ACMMM2021IntroductionMotivationPredictiveFilteringforImageInpaintingGenerativeNetworkforImageInpaintingIntroduction 本文认为图像修复实际上是一

SyddChao·2023-01-19 10:57

对抗生成网络-文字到图片的合成Generative Adversarial Text to Image Synthesis

新的一年，新的开始，好想发论文啊！废话不多说，下面讲下文字到图片的生成。文字生成图片最有代表的一张图怕是这个了，牛人，大佬RNN可用来对文字进行判别和表示，GAN可以做图片生成，那么如何将字符翻译到图像像素呢？这篇论文给出了一个网络。使用RNN,来做图片生成描述，由于它是根据图片的内容和他前一个词生成下一个词，是遵循链式规则的。使用描述生成图片的话，能够正确表达文本的正确图像样例是很多的，比如鸟，

爱视觉·2023-01-17 10:35

文献‘‘Generative Adversarial Nets‘‘总结

目录1、摘要2、AdversarialNets3、理论结果3.1全局最优性3.2算法1的收敛性4、实验5、实验结果6、代码结果1、摘要本文提出了一个通过对抗性过程来估计生成模型的新框架,在这个框架中,同时训练两个模型:生成模型G捕捉数据分布,判别模型D估计样本来自训练数据而不是来自G的概率.G的训练过程是最大化D出错的概率.这个框架对应于一个极大极小的双人博弈.最优的情况是,G恢复训练数据的分布,

RrS_G·2023-01-16 16:27

73、DisCoScene: Spatially Disentangled Generative Radiance Fields for Controllable 3D-aware Scene Syn

简介官网：https://snap-research.github.io/discoscene/DisCoScene是一种用于高质量和可控场景合成的3d感知生成模型，该方法的关键成分是一个非常抽象的对象级表示(即没有语义标注的3D边界框)作为场景布局先验，易于获得，通用于描述各种场景内容，但对解缠对象和背景有信息量。还可以作为一个直观的用户控制场景编辑。基于这样的先验，所提出的模型通过仅在具有全局

C--G·2023-01-16 14:39

08.LSGAN（Least Squares Generative Adversarial Networks））

LSGAN摘要这样改变的好处交叉熵的原因linearLSGAN损失函数模型构架一些tips：摘要RegularGANS：鉴别器作为分类器使用sigmoidcrossentropy损失函数问题：梯度消失LSGAN：鉴别器采用最小二乘损耗函数好处：更高的质量、更加的稳定重要的改变：将交叉熵损失函数换成最小二乘损失函数这样改变的好处交叉熵的原因还是之前的问题原本GAN的损失函数非常难训练，原因在于损失函

小葵向前冲·2023-01-16 09:11

推荐频道

generative