好评笔记

本文详细介绍早期生成式AI的代表性模型：生成对抗网络GAN，由 Ian Goodfellow 等人于 2014 年提出。

本笔记介绍深度学习中两个重要的模型：AE、VAE。自编码器（Autoencoder, AE） 论文： 无标志性论文，最初可以追溯到20世纪80年代和90年代初的神经网络研究。

本文详细介绍这几年AIGC火爆的隐藏功臣，多模态模型：CLIP、BLIP。CLIP（Contrastive Language-Image Pre-training）

本文详细介绍Transformer架构图像生成方面的应用，将Diffusion和Transformer结合起来的模型：DiT。目前DiT已经成为了AIGC时代的新宠儿，视频和图像生成不可缺少的一部分。

本文详细介绍Transformer架构在计算机视觉方面的成功模型，将Transformer引入图像领域：ViT、ViLT。

本文详细介绍了三种最火热的基于Transformer架构的NLP模型架构：GPT、BERT 和 T5。

介绍3种常见的Transformer位置编码——正弦/余弦位置编码（sin/cos）、基于频率的二维位置编码（2D Frequency Embeddings）、旋转式位置编码（RoPE）

本文详细介绍面试过程中可能遇到的Transformer。Transformer 是一种革命性的神经网络架构，最早由 Vaswani 等人在 2017 年提出，它彻底改变了自然语言处理（NLP）的领域。

文本特征提取的方法 1. 基础方法 1.1 词袋模型（Bag of Words, BOW） 词袋模型最简单的方法。它将文本表示为一个词频向量，不考虑词语的顺序或上下文关系，只统计每个词在文本中出现的频