VITS 论文阅读-2
方法所提出的方法主要在前三小节中描述： 条件VAE公式（a conditional VAE formulation） 基于变分推理的对准估计（alignment estimation derived from variational inference） 提高合成质量的对抗性训练（adversarial training for improving synthesis quality） 图1a
fpga 电梯项目
累死我了。昨天下午到今天中午。 累不累不要紧，主要是这是期末复习周。分秒寸金的复习周。 吐槽两句调试：vivado，verilog的开发方式和其他语言不太一样。调试的话，要么仿真，要么建立一个debug core调试核，要么下板。一开始，觉得很快就能做完；觉得编写仿真文件，或者现学调试不合算，我选择直接下板。然后被这个反复下板浪费的时间折磨到了。 而且三阶段，一个是分析，一个是硬件，一个是比特流，
Transformer(Attention机制)论文阅读-2
结构编码器encoder包含了6个相同的层组成的“stack”，每层两个子层，一个是多头自注意力机制，一个是“simple, positionwise fully connected feed-forward network”简单的、互联的前馈网络。 在每子层的周围使用残差连接、层归一化。“We employ a residual connection around each of the two
VITS论文阅读
概览VITS，Variational Inference with adversarial learning for end-to-end Text-to-Speech，一个很牛逼的变分推理 + 对抗学习的端到端 TTS 网络。 基于《Attention is all you need》中的Transformer结构，额外添加了一个持续时长预测器。 基本结构基于 transformer，也有编码器
Transformer 在 VITS 中的应用
VITS，Variational Inference with adversarial learning for end-to-end Text-to-Speech，使用了 transformer 作为基本的架构，但是在后验编码器和先验编码器之间额外添加了变分推理和标准化流。 Transformer的结构一个编码器，一个解码器。 编码器解码器各自是一个相对完整的神经网络，每层含子层，子层分别为注意
Transformer(Attention机制)论文阅读-1
业界典中典之《Attention Is All You Need》，影响世界格局的注意力机制，和“Transformer”。你甚至可以在 维基百科的transformer 页面看到它的大名。 论文原链接为https://arxiv.org/abs/1706.03762 和 https://arxiv.org/pdf/1706.03762.pdf。方便起见，我在文末会嵌入论文pdf页面。 首先问问n
更加完善的爬虫 plus
算上注释，和一些意义不明的回车，大概五百行。 总之就是： 使用controller控制页面的切换，实现了return，而且不用像之前一样重复实例化多个窗口（在connect里面实时实例化）。 优化了UI的布局。 进行了exe打包 增加了功能： 使用jieba进行分词 使用word2vec进行 句子-词向量 的转化 使用pandas将测到的结果写入csv文件 Controller 控制器核心
有GUI的爬虫plus
代码比较多，优化空间也很大，就不放上来了。 聊聊写的时候碰到的问题和解决。 QT使用的基本思路首先实例化组件：1234self.label_name = QLabel('name')self.edit_name = QComboBox()self.label_num = QLabel('page num')self.edit_page_num = QComb