DL

Tutorial for deep learning(AIGC) 助教(内测)：基于O3的Agent

contents

AIGC 快速入门学习路线图

下面提供一条最快入门 AI 中最火爆分支——AIGC 领域的学习路线，让你以最快速度进入该领域的科研实践

---

数学基础（可跳过，遇到不会的再回头补）

• 线性代数（矩阵论）
• 概率论
• 离散数学

---

一、机器学习与深度学习基础

1. 阅读深度学习“花书”第一章

   • 认真研读，了解深度学习常见基础与核心概念

2. 学习线性回归的基本思想

   • 阅读李航《统计学习方法》与周志华“西瓜书”中的“线性回归”章节
   • 学习最简单的机器学习模型
   • 掌握使用极大似然估计参数的思想

---

💻 二、代码实操（持续更新教程 👉 点击学习 ，记得点个 ⭐）

1. 实现线性回归

   • 编写第一个深度学习程序
   • 理解训练框架与一般流程

2. 学习 CNN

   • 计算机视觉中的“Hello World”

3. 学习 RNN

   • 自然语言处理中的“Hello World”
   • 视频教程：RNN 教程
   • 对应文件夹：RNN ohhana
   • 在这章中主要学到：
     • 以字母级RNN的概率预测和采样任务为例，理解RNN的原理和数学基础及编程实现
     • 理解复现一个经典模型的“图示-数学-代码”法
     • 理解NLP任务中的向量化编程技巧

4. 掌握 Transformer 与 ViT

   • 深度学习现代架构基础

5. 学习 GAN 系列

   • DCGAN、CGAN：理解基础生成模型及引入条件的方法

6. 学习 VAE

   • 掌握变分法与对数似然在生成模型中的应用

7. 深入 VQVAE 与 VQGAN

   • 理解 Codebook 机制

8. 学习 Diffusion 模型

   • DDPM、DDIM、DPM Solver：当前最热门的生成模型基础

9. 研究 Stable Diffusion

   • 理解 KL 与 VQ 模型融合
   • 掌握 LDM 思想与控制条件注入方法

10. 探索 DiT 与 SDiT

    • Transformer 架构下的 Diffusion 模型

11. 学习 CLIP

    • 多模态生成的基础

12. 掌握 ControlNet、LoRA、Adapter

    • 高阶可控生成技术

13. 研究 SD3 与 FLUX

    • 理解 Flow Matching 方法

todo list

1、 Agent Planning

2、 Flow Matching理论推导

---

结语

至此，AIGC 核心基础理论 已全面覆盖！
接下来就可以根据自己的兴趣，深入某一方向 进行深度研究与实践啦！

加油，未来的 AI 科研达人！🔥

Star History