vae

VAE的原理及MNIST数据生成变分自编码器（Variational Autoencoder，VAE）是一种生成模型，通过学习训练数据的概率分布，可以生成与训练数据分布相似的新样本。与经典的自编码器不同，VAE 的目标不仅仅是学习压缩和重构数据，而是通过学习数据的潜在分布来进行概率建模，适合图像生成、异常检测、数据缺失填补等任务。本文将深入探讨 VAE 的原理和实现步骤。

SD（Stable Diffusion）模型的基本工作数据流SD（Stable Diffusion）模型的基本工作数据流主要涉及图像生成过程，它建立在深度学习的基础上，利用神经网络对图像和文本进行建模和学习。以下是SD模型基本工作数据流的详细步骤：

【大模型理论篇】生成式模型与判别式模型对比在《生成式模型算法原理深入浅出》中，我们浅浅探讨了生成式模型与判别式模型的不同之处，随后主要重点介绍了五种生成式算法模型：朴素贝叶斯（Naive Bayes）、高斯混合模型（GMM）、隐马尔可夫模型（HMM）、主题模型（LDA）、生成对抗模型（GAN）以及文生图模型（Stable Diffusion）。本文将进一步选取生成式模型中的变分自编码器（Variational Auto-Encoder，简称VAE）和判别式模型中的条件随机场（Conditional Random Field，简称CRF），对这两类

【AutoencoderKL】基于stable-diffusion-v1.4的vae对图像重构模型地址：https://huggingface.co/CompVis/stable-diffusion-v1-4/tree/main/vae 主要参考:Using-Stable-Diffusion-VAE-to-encode-satellite-images

VAE在3D点云上应用总结Autoencoder主要的结构就是一个encoder和decoder的形式，encoder主要是将输入的数据压缩整一个很小的latent vector。Decoder是解码或者还原latent vector。为什么Autoencoder不好，是因为在encoder学习到的latent space并不是uniformly distributed,而是在一些位置上会有 discrete data patches。这些discrete data patches在decoder解码的时候会出现毫无意义的输出。所

Stable Diffusion WebUI 使用 VAE 增加滤镜效果本文收录于《AI绘画从入门到精通》专栏，专栏总目录：点这里，订阅后可阅读专栏内所有文章。大家好，我是水滴~~ 本文主要介绍 VAE 模型，主要内容有：VAE 模型的概念、如果下载 VAE 模型、如何安装 VAE 模型、如何使用 VAE 模型，以及 WebUI 中 VAE 模型不显示的解决方案！文章内容包含大量的图例，希望能够帮助新手同学快速入门。

【Gene Expression Prediction】Part3 Deep Learning in Gene Expression Analysis来自Manolis Kellis教授（MIT计算生物学主任）的课 YouTube：(Gene Expression Prediction - Lecture 09 - Deep Learning in Life Sciences (Spring 2021) Slides: slides 本节课分为四个部分，本篇笔记是第三部分。主要是Xie Lab的一个讲座，讨论其组里的一些工作。在基因表达分析中应用深度学习。从介绍D-GEX开始，用于从关键基因预测基因表达的模型。接下来，将深度生成模型在基因组学中的应用

生成对抗网络Generative Adversarial Network，GAN Generation是一个neural network，它的输入是一个vector，它的输出是一个更高维的vector，以图片生成为例，输出就是一张图片，其中每个维度的值代表生成图片的某种特征。

Stable Diffusion 硬核生存指南：WebUI 中的 VAE本篇文章聊聊 Stable Diffusion 生态中呼声最高、也是最复杂的开源模型管理图形界面 “stable-diffusion-webui” 中和 VAE 相关的事情。