脑图可拖动和放缩 在深度学习领域，卷积神经网络（CNN）一直是计算机视觉任务的主流架构。近年来，随着对模型效率要求的提高，各种卷积变体和优化技术层出不穷。本文将深入探讨标准卷积、深度卷积以及结构重参数化技术，特别是其中

背景：某生成任务用到了DDPM，为了更直观理解其前向和反向过程，写个简易的Toy工程 Github地址 扩散模型简介由两条参数化马尔可夫链组成。 前向过程（又称扩散过程）时逐渐向数据中添加噪声，直到数据完全退化为噪声。反向过程则逐步去噪

背景：某分类任务用到了两层（单向）RNN，训练时基于Pytorch中nn.RNN()，C化部署时则需要自己手动实现 Github地址 RNNPytorch中RNN迭代公式如下 $x_t$为输入，$h_{t-1}$为隐变量 可以看出$h