爱读Paper的Toby

载入一个预训练过的管线 模型都在C:\Users\87479.cache\huggingface\hub DDIM 更快的采样过程 为了生成图像，从随机噪声开始，在每个时间步都将带有噪声的输入送入模型

num_inference_steps代表采样步骤的数量 guidance_scale决定模型输出与提示词之间的匹配程度 Diffusers核心API: 管线：从高层次设计的多种类函数，便于部署的方式

扩散模型的退化过程 扩散模型的训练 对比输入数据、退化数据、预测数据 扩散模型的采样过程 采样过程的方案：从完全随机的噪声开始，先检查一下模型的预测结果，然后只朝着预测方向移动一小部分。 可以理解为：

第2章 Hugging Face简介 2.1 Hugging Face核心功能介绍 模型、数据集存储库：Hugging Face Hub，主要用于托管模型和数据集，并详细描述模型名称、分类标签、模型的

第1章 扩散模型简介 1.1 扩散模型的原理 扩散模型是一类生成模型，运用物理热力学中的扩散思想，主要包括前向扩散和反向扩散。 扩散的思想：来自于物理学中的非平衡热力学分支，例如墨水在水中扩散的实验，

1 知识回顾 GNN通用框架包括邻域信息转换、邻域信息集合、跨层连接、输入图和特征的增广、学习目标 GNN训练步骤：拆分数据集、预测头、损失函数、模型评估 2 GNN的表示能力 2.1 GNN基础概念

1 知识回顾 节点嵌入表示：相似度的计算$\text{similarity}(u, v) = z_v^T z_u$ 深度图编码器：基于图结构的多层非线性变换 使用场景包括节点分类、连接预测、社区检测、

1 基本概念回顾 图机器学习的任务：节点层面、连接层面、社交（子图）层面、全图层面 半监督节点分类：通过已知节点预测出未知标签节点的类别 半监督节点分类问题的求解方法：节点特征工程、节点表示学习（图嵌

Task06 PageRank 1 PageRank冷知识 PageRank是Google最早的搜索引擎算法，给每个网页重要度打分，高分靠前 1997年之前的搜索引擎：网页收录少，相关率20%，排序效