课堂笔记

在前两章中，我们主要探讨了一些与图像相关的机器学习任务。图像数据通常是一个三维张量 (高度、宽度、通道)。给定一张图像 x，可以形式化表示为

图像分割（Image Segmentation）是计算机视觉中比图像分类更为精细的任务。如果说图像分类回答的是“这张图里有什么”，那么图像分割则要回答“它们在哪里”以及“每个像素属于哪个对象”。其核心目标是将输入图像的每一个像素分配到一个特定的语义类别或实例标识中，从而实现对图像内容的像素级理解。

图像分类是计算机视觉中的基本任务之一，目标是将输入的图像分配到预定义的类别中。给定一个图像 x \in \mathbb{R}^{H \times W \times C}，其中 H、W 和 C 分别表示图像的高度、宽度和通道数，图像分类的目标是学习出一个图像到类别的映射

大模型的一些应知知识点。

变分学是研究泛函极值（以及更一般的临界值）的一个数学分支，在机器学习、物理学等领域有广泛的应用。

The core objective of t-SNE (t-distributed Stochastic Neighbor Embedding) is to reduce the dimensionality of high-dimensional data while preserving local neighborhood structure.

附录

朗之万去噪分数匹配 (SMLD) 和连续时间 Score-based 模型 (VP-SDE / VE-SDE) 是两种基于分数匹配的生成模型方法。它们通过学习数据分布的分数函数（即对数概率密度的梯度）来生成新样本。