CG

Dreamworks animation (DWA) usd-manager

https://github.com/dreamworksanimation/usdmanager

# virtualenv
python310 -m virtualenv venv
.\venv\scripts\activate

#  branch: python3

python setup.py install
pip install PySide2

python .\build\scripts-3.10\usdmanager

AYON

AYON Frontend

REM
REM ayon-frontend
REM If you don,t have yarn, you can install it by `npm install -g yarn`
REM

cd C:\src\ayon\ayon-frontend

yarn install
yarn build

AYON launcher

#
# ayon-launcher
# 1. On Windows, You need install iscc.exe by scoop install inno-setup
# 2. python39 -m virtualenv ./venv
# 

cd c:\src\ayon\ayon-launcher

# proxy setup if needed.

.\venv\scripts\activate

./tools/manage.ps1 create-env
./tools/manage.ps1 install-runtime-dependencies
./tools/manage.ps1 build
./tools/manage.ps1 make-installer

AYON Dependencies Tools

# 创建.env文件, 这个apiKey是从项目文件，找一张有图片的，在浏览器按F12，定位元素到这种图片，在url中会显示token，将token填入下方
: AYON_API_KEY=
: AYON_SERVER_URL=http://<addr>:<port>

cd C:\src\ayon\ayon-dependencies-tool

# Change python version same as your project, for me for now, it's python3.9.13, my system has 3 versions of python, 3.9,3.10,3.11, and installed by scoop, commonly I use virtualenv, but I removed the default scoop-shims of python.exe,python3.exe, and only keep the python39,python310,python311 on my system.

.\start.ps1 install
.\start.ps1 create -b <bundle_name>

AYON addons

# from self
# 1. use https://github.com/ynput/ayon-addon-template to create your own addon or clone the official addon repository
# 2. create a python virtualenv that version compatibility with your project (for now 24.01.17, needs python3.9.13), after create it, activate it. then run
poetry run python create_package.py

# from openpype (all)
cd c:\src\ayon\openpype
./.poetry/bin/poetry run python ./server_addon/create_ayon_addons.py

AYON Documentation

# Install yarn if needed
# npm install -g yarn
yarn add docusaurus --dev
cd website
yarn start

AYON Docker

(for windows Docker Desktop) - Recommand

# powershell
cd C:\src\ayon\ayon-docker

# If you have one, you can speed it up
$env:http_proxy = "http://localhost:10809"
$env:https_proxy = "http://localhost:10809"

# from template.json to server
#  exection only once need.
.\manage.ps1 setup

# Use official docker image
.\manage.ps1 update

# build whole things (from local)
.\manage.ps1 build

AYON Backend

(for windows WSL)

#!/bin/bash

# Windows (WSL)

#
# On Windows (Outside WSL) - Port Forward
# - Use `wsl -- ifconfig eth0` get wsl-ip, then:
# netsh interface portproxy add v4tov4 listenport=5000 listenaddress=0.0.0.0 connectport=5000 connectaddress=<wsl-ip>
# netsh interface portproxy show all
# netsh interface portproxy delete v4tov4 listenport=5000 listenaddress=0.0.0.0
#

#
# On WSL - Install Project (user environment, root is ok.)
# - If you have better network for pip, You don't need this line.
# export http_proxy=http://<address>:<port>
# export https_proxy=http://<address>:<port>
# pip install -U pip
# pip install poetry
# poetry config virtualenvs.create false
# python3 -m virtualenv /home/<user>/venv-ayon
# source /home/<user>/venv-ayon/bin/activate
# cd /mnt/c/src/ayon/ayon-backend
# poetry install --no-interaction --no-ansi
#

#
# On noth (Manual)
# - Windows
# wsl --shutdown -d Ubuntu-22.04
# wsl -d Ubuntu-22.04
# - WSL (ayon.pid, backend-server need, for non-root user only.)
# sudo touch /var/run/ayon.pid
# sudo chown <user> /var/run/ayon.pid
#

#
# ! Need yarn build frontend first.
#

# sh /mnt/c/src/ayon/ayon-backend.sh

. /home/<user>/venv-ayon/bin/activate

echo <password> | sudo -S touch /var/run/ayon.pid
echo <password> | sudo -S chown <user> /var/run/ayon.pid

# host_ip=$(cat /etc/resolv.conf |grep "nameserver" |cut -f 2 -d " ")
# export ALL_PROXY="http://$host_ip:<port>"

export AYON_postgres_url=postgres://<username>:<password>@<addr>:<port>/ayon
export AYON_redis_url=redis://<username>:<password>@<addr>:<port>

export AYON_frontend_dir=/mnt/c/src/ayon/ayon-frontend/dist
export AYON_addons_dir=/mnt/c/src/ayon/ayon-addons/dist
export AYON_log_file=/mnt/c/src/ayon/log-backend.log
export AYON_SETTINGS_TEMPLATE=/mnt/c/src/ayon/template.json
export AYON_force_create_admin=1
export AYON_auth_pass_pepper=<secure_password>

export PYTHONBUFFERED=1
export LOGLEVEL=info

cd /mnt/c/src/ayon/ayon-backend

gunicorn \
  -k uvicorn.workers.UvicornWorker \
  --log-level ${LOGLEVEL} \
  --timeout 120 \
  -b :5000 \
  ayon_server.api.server:app

AYON Openpype (Deprecated)

更详细: CG Pipeline

GitHub - ynput/OpenPype: Main OpenPype repository and AYON openpype addon codebase

开源Pipeline管理工具。

# python version 3.9.13
$Env:http_proxy = "http://localhost:10809"
$Env:https_proxy = "http://localhost:10809"
.\tools\create_env.ps1
.\tools\fetch_thirdparty_libs.ps1
.\tools\build.ps1

Armory

ArmorCore

cd armorcore
# Unpack `v8\libraries\win32\release\v8_monolithz` using 7-Zip - Extract Here (exceeds 100MB)
.\Kinc\make.bat -g direct3d11

ArmorPaint

GitHub - armory3d/armortools: 3D Content Creation Tools

贴图绘制软件。

# 解压 `..\armorcore\v8\libraries\win32\release\v8_monolithz` using 7-Zip - Extract Here (exceeds 100MB)

# 生成工程
cd c:/src/armortools/armorpaint
..\armorcore\Kinc\make --from ..\armorcore -g direct3d11

# 在"build\ArmorPaint.sln"中打开生成的 Visual Studio 项目针对 x64 和Release进行构建和运行

# Copy build\x64\Release\ArmorPaint.exe to build\krom to run ArmorPaint.exe directly

Armory3D

GitHub - armory3d/armory: 3D Engine with Blender Integration

一个游戏引擎，可以在 Blender 中构建游戏。

ArmorLab

AI驱动的纹理创作工具，图片或文字->贴图。

cd armortools/armorlab
git clone https://github.com/armory3d/onnx_bin onnx
# Unpack `models.zip` from https://github.com/armory3d/armorai/releases into `Assets/models` using 7-Zip - Extract Here

# Unpack `..\armorcore\v8\libraries\win32\release\v8_monolithz` using 7-Zip - Extract Here (exceeds 100MB)
..\armorcore\Kinc\make --from ..\armorcore -g direct3d11

OpenUSD

GitHub - PixarAnimationStudios/OpenUSD: Universal Scene Description

数据交换格式。

构建

# python version 3.10.11
# run `x64 Native Tools Command Prompt for VS 2022`
# for download usd-src
set http_proxy=http://localhost:10809
set https_proxy=http://localhost:10809
# venv
python -m pip install virtualenv
python -m virtualenv C:/src/OpenUSD/venv
call C:/src/OpenUSD/venv/Scripts/activate
# for usdview
pip install PyOpenGL
pip install PySide6
pip install opencolorio
pip install numpy
# for usdSchemaGen
pip install jinja2
# build dry run, to build remove -n option
python .\build_scripts\build_usd.py --materialx --draco --alembic --hdf5 --openimageio --opencolorio --embree --openvdb --ptex --prman --test --build-variant=relwithdebuginfo --src=c:\data\build\usd-src --build-args=USD,"-DPXR_ENABLE_VULKAN_SUPPORT=FALSE -DRENDERMAN_LOCATION=C:/data/plugins/RenderManProServer-25.2" c:\data\build\usd-build –n

Schema

usdGenSchema [schemaPath] [codeGenPath]

Blender

Blender Developer Wiki

开源全功能的DCC软件。

git clone https://projects.blender.org/blender/blender.git
cd C:\src\blender-git\blender
make update
make full nobuild

QuiltiX

GitHub - PrismPipeline/QuiltiX: QuiltiX is a graphical node editor to edit, and author MaterialX based materials of 3D assets

基于节点的MaterialX材质编辑。

python version 3.9.13

# via pypi (install)
pip install QuiltiX
pip install git+https://github.com/PrismPipeline/OpenUSD_build.git@23.11-win-mtlx-1.38.8

# run
python -m QuiltiX

gatling

GitHub - pablode/gatling: Hydra-enabled GPU path tracer that supports MaterialX and MDL

Hydra光追渲染器。

cmake -B build -Wno-dev -DUSD_ROOT=%E_USD_LOCATION% -DMDL_ROOT=%E_MDLSDK_DIR% -DCMAKE_INSTALL_PREFIX=C:/data/build/gatling -DCMAKE_BUILD_TYPE=Release
cmake --build build --config Release --target INSTALL -- /M:8

xComp

GitHub - gugenstudio/xComp: best render comparing software in town!

cmake -B build -DCMAKE_TOOLCHAIN_FILE="%E_VCPKG_DIR%\scripts\buildsystems\vcpkg.cmake"

cmake --build build --target xcomp --config Release

# Working-dir on 
#   C:/src/xComp/apps/xcomp/../debug_dir
# Copy _bin/Release/* to Working-dir

AI

SD-WebUI-EasyPhoto

GitHub - aigc-apps/sd-webui-EasyPhoto: 📷 EasyPhoto | Your Smart AI Photo Generator.

输入了一些右下方的图片训练出Lora后，就可以扩散风格到人物肖像上。

ComfyUI

GitHub - comfyanonymous/ComfyUI: The most powerful and modular stable diffusion GUI with a graph/nodes interface.

SD的图形用户界面，具有节点图。

Stable-diffusion-Webui

GitHub - AUTOMATIC1111/stable-diffusion-webui: Stable Diffusion web UI

# python version 3.10.11
git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git

.\webui-user.bat

config

webui-user.bat

set COMMANDLINE_ARGS=--ckpt-dir <path> --lora-dir <path>

Krita-ai-diffusion

GitHub - Acly/krita-ai-diffusion: Streamlined interface for generating images with AI in Krita. Inpaint and outpaint with optional text prompt, no tweaking required.

在 Krita 中使用AI生成图像的一个插件。

MiniGPT-4

GitHub - Vision-CAIR/MiniGPT-4: Open-sourced codes for MiniGPT-4 and MiniGPT-v2 (https://minigpt-4.github.io, https://minigpt-v2.github.io/)

1.我使用的Vicuna-7B，low_resource=False, 最少GPU显存 16GB。如果是True，我这里使用了10GB。
2.安装CUDA Toolkit 12/11。

Windows的支持

Windows not supported · Issue #28 · Vision-CAIR/MiniGPT-4 · GitHub

# 也许可以不用conda，使用virtualenv
git clone https://github.com/Vision-CAIR/MiniGPT-4.git
cd MiniGPT-4
##conda env create -f environment.yml
##conda activate minigptv

# 卸载不支持GPU版本的包
pip uninstall bitsandbytes
pip uninstall torch
# 重新安装torch与bitsandbytes
##这个不更新啦，使用下面那个
##pip install git+https://github.com/Keith-Hon/bitsandbytes-windows.git
pip install scipy
pip install bitsandbytes==0.41.2 --index-url=https://jllllll.github.io/bitsandbytes-windows-webui

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121

---

python demo_v2.py --cfg-path eval_configs/minigptv2_eval.yaml  --gpu-id 0

FastChat

GitHub - lm-sys/FastChat: An open platform for training, serving, and evaluating large language models. Release repo for Vicuna and Chatbot Arena.
GPU16GB显存，加载了vicuna-7b和vicuna-13b。

git clone https://github.com/lm-sys/FastChat.git
cd FastChat
# use venv
pip3 install --upgrade pip  # enable PEP 660 support
pip3 install -e ".[model_worker,webui]"

---

# cli
python -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5-16k --load-8bit --cpu-offloading

# gradio
python -m fastchat.serve.controller
python -m fastchat.serve.model_worker --model-path lmsys/vicuna-7b-v1.5-16K --load-8bit --cpu-offloading
python -m fastchat.serve.gradio_web_server

Ye

ub

python开发环境

python310 -m virtualenv C:\src\Ye\src\ub\venv
# pip install dependenties with requirements.txt

Dev

(Tools)

pyside-setup

vcpkg

# download & install
git clone https://github.com/microsoft/vcpkg
.\vcpkg\bootstrap-vcpkg.bat

# qt6
...

(Python)

conda

# Shell Register
conda init cmd.exe
# Shell Unregister
conda init cmd.exe --reverse

# Update
conda update -n base -c defaults conda
## Or minimize update use
conda install conda=23.11.0

pyenv

在这之后，需要执行 pyenv update 去更新仓库。

pipx

GitHub - pypa/pipx: Install and Run Python Applications in Isolated Environments

# python version 3.10.11
python -m pip install --user pipx

# add executable to environment path
python -m pipx ensurepath

pipx install pycowsay

poetry

GitHub - python-poetry/poetry: Python packaging and dependency management made easy

Install and Upgrade

python -m pipx install poetry
python -m pipx upgrade poetry

# Or
# create virtualenv, then (Recommand)
pip install poetry

# Or

pip install pipx
pipx install poetry
pipx upgrade poetry

(Version Control)

1. gitbucket

scoop bucket add java
scoop install temurin11-jdk

set GITBUCKET_PORT=12122
set GITBUCKET_HOST=0.0.0.0
set GITBUCKET_HOME=<your_data_path> # The default is $HOME/gitbucket
java -jar gitbucket.war

https://github.com/gitbucket/gitbucket

1. git
2. SnowFS

1. TortoiseSVN

# 重置当前仓库
svn revert --recursive .
# 忽略文件(项目级)
图形界面 TortoiseSVN -> Properties -> New -> Other -> svn:global-ignores
# 忽略文件(目录级)
选中一个文件/目录 -> TortoiseSVN -> Properties -> New -> Other -> svn:ignore

2. VisualSVN Server

#http-proxy-host = 127.0.0.1
#http-proxy-port = 10809

(Database Connection)

Mongosh - https://www.mongodb.com/try/download/compass
Mysqlsh - https://dev.mysql.com/downloads/shell/

for database install on Linux, see OS-Linux

(Cloud Services)

我们缺少的不是工具，而是真正产生价值的点子。

Vercel
Cloudflare
fly.io

(AI)

概念

• pytorch: Start Locally | PyTorch

• tensorflow: GitHub - tensorflow/tensorflow: An Open Source Machine Learning Framework for Everyone

• ONNX：Open Neural Network Exchange（开放式神经网络交换）ONNX | Home

• OpenVINO - 从框架中优化深度学习模型。

• RL-LLM - 大模型+强化学习

• Gradient descent 梯度下降 - （鞍点，局部最优）

  • derivate - 求导，learning rate 学习速率
  • sgd 随机梯度下降，Momentum动量，Adam (替代随机梯度下降算法)
  • partial derivate 偏微分
  • gradient 梯度 - 所有的偏微分的向量 e.g. $\mathrm{\nabla }f=(\frac{\partial f}{\partial x_1};\frac{\partial f}{\partial x_2};\cdot \cdot ;\frac{\partial f}{\partial x_n})$
  • Convex function 凸函数 - 全局最优解
  • 梯度离散/爆炸 - 误差积累导致，前层得不到更新

• Backpropagation 反向传播

• Activation Functions 激活函数 - 阈值响应机制

  • Sigmoid - $f(x)=\sigma (x)=\frac{1}{1+e^{-x}}$
  • Tanh - $2sigmoid(2x)-1$
  • Rectified Linear Unit (ReLU) - $f(x)=\{\begin{array}{ll}0& \mathrm{for}x<0\\ x& \mathrm{for}x\ge 0\end{array}$
  • Leaky ReLU
  • SELU - 两个函数的合并
  • Softmax - [Logits Scores -> Softmax -> Probabilities], 概率和为1
  • Softplus - ReLU函数的平滑版本

• Typical Loss

  • Mean Squared Error (MSE) 均方误差
  • Cross Entropy Loss 交叉熵
  • Hinge Loss

• Himmelblau Function函数 - 数学家构造的特殊函数，用来测试深度学习算法是否能够收敛到局部最小值。

• Chain rule链式法则 - 求解过程是 $\frac{\partial E}{\partial w_{jk}^1}=\frac{\partial E}{\partial {\sigma }_k^1}\frac{\partial {\sigma }_k^1}{\partial w_{jk}^1}=\frac{\partial E}{\partial {\sigma }_k^2}\frac{\partial {\sigma }_k^2}{\partial {\sigma }_k^1}\frac{\partial {\sigma }_k^1}{\partial w_{jk}^1}$

• Dropout regularization - 为了防止过拟合。Dropout的思想是对于网络的每一层，随机的丢弃一些单元。

• PCA - 主元分析，用于提取数据的主要特征分量。主要用于数据降维。例如两维数据房价与面积，房价与面积的正相关性很大，其中一维的数据是冗余的。

• Sequence 序列

  • Word Embedding
  • Word2vec
  • GloVe
  • One-hot: [0,1,0,0,…] - 稀疏，高维

• AutoEncoders - 中间是Neck，可以升/降维。

  • Denoising AutoEncoders 去噪自编码器
  • Dropout AutoEncoders
  • Adversarial AutoEncoders 对抗自编码器
  • Variational AutoEncoder (VAE) 变分自编码器

• Gradient Clipping - 用于缓解梯度爆炸。

• Zeno/One/Few-Shot Learning 零/一/少样本学习。例如，当我们只有一张狮子的照片时，一次样本学习可以帮助我们将新的狮子图像正确分类。

• RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）。是GPT-4/ChatGPT与GPT-3.5的主要区别。

• Anomaly Detection 异常侦测

• LoRA，英文全称Low-Rank Adaptation of Large Language Models，直译为大语言模型的低阶适应，这是微软的研究人员为了解决大语言模型微调而开发的一项技术。

• PGNet是一种新颖的框架，用于通过点收集操作实时阅读文本。 基于多任务学习的单步文本检测识别器。

• SFT（Supervised Fine-Tuning）监督微调

• AGI（通用人工智能）1.人工智慧是我们的目标。2.人类的能力是本能与学习。
  • Machine Learning - 1.是达成目标的手段。2.就是让机器找到一个函式（找到函式三步骤- a.设定范围(订出候选函式集合-Model)，b.设定标准(评量函式好坏-Loss)，c.达成目标(找出最好的函式-最佳化Optimization)）。
    • Deep Learning 深度学习 1.是机器学习的其中一种方法
• Supervised Learning
  • Linear Regression 线性回归 $wx+b$
  • Logistic Regression 逻辑回归 - 线性回归的基础上加了一个激活函数（压缩函数）
  • Classification 分类问题
  • Semi-supervised Learning - 半监督学习。
• Unsupervised Learning
• Reinforcement Learning - 增强学习。游戏例如Dota，与环境交互反馈。
• Representation Learning - 表征学习。
• Structured (Generative) Learning - 结构(生成式)学习。
• Meta Learning - 元学习，也叫做学会学习，learn to learn。人类学习新东西时会用到之前学的东西，比如你会玩LOL，那么对玩王者荣耀会很快。目前的深度学习遇到的问题是在遇到新的问题，即使比较类似的情况下，也要重新学习，这一差异就是MetaLearning的动机。
• Transfer Learning 迁移学习 一种神经网络学习到了识别Cat这种物体，再使用这部分知识或者部分知识去识别X-Ray扫描。（Pre Training 预训练, Fine Turning 微调）
• Multitask Learning - 神经网络同时执行多项任务，每个任务都会影响其他任务

• Feedforward neural network (前馈神经网络) 也叫做感知机（Perceptron） - 二分类线性模型

• SVM (Support vector machine) 支持向量网络 -

• 卷积神经网络：局部感知 - $y(t)=x(t)\ast h(t)={\int }_{-\mathrm{\infty }}^{\mathrm{\infty }}x(\tau )h(t-\tau )d\tau$

  • Weight sharing 权值共享
  • 池化 - Max pooling, Avg polling
    • Downsample, Upsample, Subsampling

• RNN 循环神经网络 - (Hard to parallel) 语境信息上下文，引入memory的机制， , 问题是很容易造成梯度离散或梯度爆炸。

  • LSTM - (Long Short-Term Memory) 长短时记忆 - 解决了记忆长度的问题。引入"闸门"的机制。 闸门就是Sigmoid函数。输入门，遗忘(记忆)门。

• CNN 卷积神经网络 - Using CNN to replace RNN (CNN Can parallel)

• GAN 生成对抗性网络

  • Train 训练 $\begin{array}{l}\min \max L(D,G)={\mathbb{E}}_{x\to p_r(x)}[\log D(x)]+{\mathbb{E}}_{z\to p_z(z)}[\log (1-D(G(z)))]\end{array}$
  • Generator 生成
  • Discriminator 鉴别 一文看懂「生成对抗网络 - GAN」基本原理+10种典型算法+13种应用

• Self-Attention Layer - Transformer

  • q:query (to match other)
  • k:key (to be matched)
  • v:information to be extracted
  • Positional Encoding ($e^i$)

• Multi-head Self-Attention (MHSA)

  • Norm (Layer Norm, Batch Norm, Instance Norm, Group Norm)

• Transformer 这是一个seq2seq的model，左半部是Encoder，右半部是Decoder。

  • Universal Transformer - (横轴Positions使用Transformer，纵轴Depth使用RNN)
  • Vision Transformer - 是Google提出的基于Transformer的图片分类模型。

• Self-attention GAN - 用于影像处理的Transformer，一个pixel考虑全部pixel信息。

• 扩散模型

  • Noising Process

• 多模态模型架构

  • 1）合并注意力架构（Merge-attention）
  • 2）共同注意力架构（Co-attention）
  • 3）交叉注意力架构（Cross-attention）
  • 4）三角Transformer架构（Tangled-transformer）
  • 5）模态间对比学习架构（Inter-Modality Contrastive Learning）

模型

• 大型语言模型（LLM）- 文字接龙..

  • ChatGPT
  • nanoGPT 是一个用于对中等规模的生成式预训练 Transformer（GPT）进行训练和调优的框架。
  • Llama2
  • Mistral-7B
  • Mixtral 8x7B - MoE（Mixture of Experts）
  • WizardCoder
  • 羊驼系列
    • Vicuna -Based On LLaMa-13B
    • Alpaca -Based On LLaMa-7B
    • Guanaco - Based On QLoRA quantification
  • LaMDA (Language Models for Dialog Applications)

• 多模态模型

  • GPT 生成式预训练变换模型
  • Macaw-LLM：具有图像、视频、音频和文本集成的多模态语言建模
  • CLIP ViT-L (Vision Transformer - Low resolution): Connecting text and images。
  • Stable Diffusion
  • SVD (Stable Video Diffusion)
  • Flamingo
  • LLaVA

• 扩散模型

  • 连续型扩散模型

    • DDPM 去噪扩散概率模型（Denoising Diffusion Probabilistic Models）
    • DDIM 去燥扩散隐式模型 （Diffusion Denoising Implicit Model）
    • Improved Diffusion
    • Classifier Guidance 亦被称为Guided Diffusion
    • Classifier Free Guidance
    • DALL-E-2 - AI图形生成器
    • Google Imagen
    • LCM (Latent Consistency Model)

  • 离散型扩散模型

    • Multinomial Diffusion
    • D3PM
    • ImageBART

• 语言表征模型

  • BERT
  • GPT
  • ELMO

• 视觉模型

  • MiDaS - 通过单张图像计算相对深度。
  • Next-ViT - [2207.05501] Next-ViT: Next Generation Vision Transformer for Efficient Deployment in Realistic Industrial Scenarios
  • VI-Depth

• 卷积神经网络模型

  • ResNet (深度残差网络): 短路层(Skip to shortcut)
  • AlexNet
  • GoogLeNet - 22 layers
  • VGGNet-11/16/19 - 更小型的卷积核心。1x1 convolutions.
  • LeNet - 80年代
  • UNet - 为生物医学图像分割开发的卷积神经网络。

• 其它模型
  • SMPL - A Skinned Multi Person Linear Model，用于人体动作捕捉。

有哪些数据集

• MNIST - 手写数字
• ImageNet
• CIFAR10/100 - 10类6000张照片。

资料

谷歌研究论坛Google Research Blog
词嵌入数据可视化Embedding projector - visualization of high-dimensional data
LLM可视化 https://bbycroft.net/llm

李宏毅
吴恩达 Andrew NG

学习路径

1. 10分鐘了解RNN的基本概念 [6AW80qmaAOk]
2. Let's build GPT： from scratch, in code, spelled out. [kCc8FmEb1nY]
3. Multitask Learning (C3W2L08) [UdXfsAr4Gjw]
4. Transfer Learning (C3W2L07) [yofjFQddwHE]
5. 扩散模型是如何工作的-系列 [oSmlciqXOaU]
6. PyTorch深度学习框架-龙良曲

应用

• GPT
  • 文字冒险游戏 (ChatGPT)
  • 解决数学问题(FunSearch)
• Diffusion
  • 可控的图像生成 (ControlNet)
  • 图像编辑(概念转换) (DreamBooth)
  • 图像编辑(文本驱动)
  • 图像修复/扩展
  • 图像的风格迁移 (BLIP-Diffusion)
  • 图像的交互式编辑 (DragGAN,DragDiffusion)

(Graphics)

概念

• 场
  • 标量场 - 符号距离场(SDF)， 密度场(Density Field)， 散度场(描述一点是汇聚还是扩散)
    • 符号距离场 - 梯度即法线，大小即距离
  • 向量场 - 速度场，涡度场，加速度场
• 场的操作
  • 标量场 - 梯度(输出：向量场)，曲率，拉普拉斯（作用，平滑，算子：热扩散）
  • 向量场 - 散度(输出：标量场)，旋度，归一化
  • RenormalizeSDF - 包面的几何只有表示内外而没有距离。需要做Eikonal equation(程函方程)得到带有距离的SDF
• 场，几何，粒子
  • 场实际上是任意的几何与粒子的中间介质（中间表达）
• 自由表面 （free surface），包面后的几何
• Eikonal equation(程函方程) - 程函方程的一般形式为$|\mathrm{\nabla }u(x)|=F(x),x\in \Omega$， 约束条件：边界$u(x)$为$0$；$F(x)$是位置的函数， $|·|$ 是欧几里得范数，$u(x)$是从边界到Ω内部x的所需要的最短时间，F(x)是在x处耗费的时间。
  

(Robot)