w434's blog

Motion CaptureThe History of Mocap 快速摄影 转描 现代动捕设备系统： 外骨骼 基于惯性 基于光学 Mechanical Mocap 外骨骼： 外骨骼的问题：影响人类运动 Inertial Mocap 惯性测量单元(IMU)：Accelerometers (3dof) + axis gyroscope (3dof)，可以通过积分得到位置和速度 问题：误差较大，精度高的传感器价格较高 还需要加入其他传感器：重力加速度传感器，电磁传感器 Optical MocapOptical Mocap 光学动捕：依靠光学设备采集标志点的位置 一般使用红外相机，精度高(毫米级) 计算点的位置：三角测量 问题：人的动作非常多非常复杂，可能造成遮挡，因而需要更多的相机进行测量 光学动捕只能得到标记点，之后还需labeling，进行补点 无需补点marker的方法： Markerless Mocap with Multiple Cameras Markerless Mocap with Depth Cameras Motio ...

Language Modelling as Classification 从分类器的角度看语言模型 目标：设计分类器计算： 输入：从第一个词到目前预测位置的词 输出：在词汇表中找到下一个词 A Log-linear based Language Model Log-Linear Model:使用softmax来概率化/归一化 设计许多特征模板/函数 f∗（） 来描述一段文本 x y可以是给定单词的含义、给定书籍的类别或餐厅评论的正面/负面标签等等 An Intuitive Idea: N(ew)LM-0 直观地，构建一个对数线性分类器，将 h1-hi−1 作为输入并输出单词标签 w∗ 从单词 h1-hi−1 的历史中提取特征 尝试任何可能的单词标签 w 输出概率最高的 w∗i 问题： 特征维度过大，不易应对可变长的位置表达 模型不容易优化 label set过大 特征跟位置有关，而位置难以表达 NLM-0(maximum entropy language models)：设计了许多优化方法，但最终归结为最大熵梯度下 ...

N-gram Language Models 如果我们将每个可能的句子 s 视为空间 S 中的一个点： 然而将s的出现次数进行统计，近似，形式化是不可能的 解决方法：将问题分解。将每句话看成一个词的序列，视为一个随机变量X1,X2,…,Xn的序列 模型预测P(X1 = w1,X2 = w2,X3 = w3,…,Xn = STOP)： 是一个序列而非集合 用特殊标记STOP，有时还会有START 可以用链式法则进行分解： 问题：很难“看到”历史贡献，当n很大的时候 解决方法：需要进行假设 Markov Assumptions 当历史很长的时候，是否还需考虑前面的词？当n很大的时候第一个词对最后的词的影响是否很大？ 大多数时候无需很长的历史，只有前后几个上下文影响下一个词的内容，可以将历史的窗口变小 First-order Markov assumption:只看前面一个词，一阶假设 零阶假设(Unigram Language Model)，完全不考虑历史：效果很差，和朴素贝叶斯模型一样，实质是 bag-of ...

More About ClassificationGenerative Models and Discriminative ModelsExamples from Dan Jurafsky 任务：区分猫和狗的图片 问题：光线，遮挡，清晰度，动画风格等 Generative Models(先学p(x,y))：估计描述猫和狗，有什么特征可以归类为猫，有什么特征可以归类为狗。训练两个模型比较得分，分类为猫或狗 Discriminative Models(直接学习p(y|x))：学习区分性的特征，例如：狗带项圈 同分布的数据下，判别式模型性能更强，能够反映一些差别 Generative Models v.s. Discriminative Models Generative Models – Naive Bayes: Discriminative Models – Log-Linear model: Model Evaluation 在大多数情况下，得到一组训练数据，并被要求构建一个分类器，该分类器将被提交到其他地方并在未知的测试集中进行评估性能： 设计模型 ...

Character Kinematics 基本假设：人体是刚体，通过关节连接形成骨骼 How to create a pose Joint 不会自动生效… 我们需要仔细计算每个骨骼的位置和方向 Kinematics of a Chain Qi：关节i方向(全局坐标系下) Ri：关节i旋转(局部坐标系下) 问题：在诶出旋转后如何关节连接处的位置？ 首先初始化Q1-Q4为I 从后往前考虑：先找到Q4相对其父结点Q3的局部旋转R4: 再考虑Q3相对于Q2的局部旋转R3，这里R3也要叠加到Q4，每次叠加都是旋转关节本身+作用于其所有的自关节： 继续上述过程直到算到启示的关节： 同时，已知两个朝向也可以计算中间的旋转： 计算关节位置要从前往后算：Pi+1 = Pi + QiLi。可以从上一步的世界坐标系位置计算下一步的位置 考察终点x，可以对其进行展开得到x相对于祖先结点的相对运动 若没有给出旋转矩阵而是给出旋转角θ：可以利用罗德里格公式计算旋转矩阵R 旋轴带动： 局部坐标系 旋转轴 位置 可以将人体关节抽象为 ...

Keyframe Animation(关键帧动画) 动画流程：给出关键帧并通过算法补充中间的动画 Interpolation 给定一系列关键点，计算关键点之间的点的值是多少——找f(x)映射： 关键点间的值：内插 关键点外的值：外插 Stepped Interpolation 阶梯差值缺点：不够平滑，函数不连续 Linear Interpolation 线性插值缺点：运动的时候可能突然改变速度(C1不连续)，函数光滑性不够，C0连续 解决方法：需要非线性的插值 Polynomial Interpolation(多项式插值) 如果用单一的多项式进行插值，则有多少点就需要多少方程 可以写成矩阵形式用待定系数法求解： 问题：高次项有龙格现象：高次项插值虽然插值过所有点，曲线光滑，但是抖动幅度很大 Spline Interpolation 使用一阶的样条进行插值：类似于线性插值 常使用三次样条进行插值(Cubic Splines)： 使用待定系数法求解：上例有 N 个段，4N 个未知参数，加入一些约束求解： 可以写成矩阵求解，但是这个矩 ...

DeepSeek DetailsThe DeepSeek-V3 Architecture The Mixture of Expert(MoE) 将transformer中的FNN编程多个小的FNN 决定走哪个小的FNN取决于专家选择，将专家合在一起 总的计算量不变 专家数量增加，颗粒度越精细，同时设置shared专家 负载均衡的路由策略：为解决MoE中专家负载失衡可能导致的“路由塌陷”问题（即部分专家过载而模型性能下降），DeepSeek-V3提出了无辅助损失的负载均衡策略。传统MoE（如 GShard、Switch Transformer）需要在损失函数中加入均衡项来惩罚不均衡，但过强的辅助损失会损害模型性能 DeepSeek-V3引入动态偏置：为每个专家的得分增加一个可调偏置，仅用于路由决策，不影响实际输出权重。训练中每步监控各专家的使用量，若某专家过载则降低其偏置，反之增加偏置，以动态平衡专家流量 Expert choice: 让expert选token而不是token选expert，传统的token选择expert方法在路由过程中无法控制每个专家接收的to ...

LLaMA3模型 LLaMA3挑选了规模高达50TB的预训练语料，是LLaMA2的7倍之多，在性能上实现了质的飞跃，充分证明了数据的力量 这一语料库不仅包含丰富的代码数据以增强模型的逻辑推理能力，还涵盖了超过5%的非英文数据，覆盖30多种语言，显著扩展了模型的跨语言处理能力 LLaMA3还进行了与LLaMA2一样的人类反馈强化学习，这一策略已被证明能显著提升模型性能 在模型架构上，LLaMA3与前一代LLaMA2几乎完全相同，只是在分词（tokenizer）阶段，由sentencepiece 换成 tiktoken，将字典长度扩大了三倍，极大提升了推理效率 这一改进减少了文字符等语言元素被拆分为多个Token的情况，有效降低了总体Token数量，从而提高了模型处理语言的连贯性和准确性 另一方面，扩大的字典有助于减少对具有完整意义的语义单元进行分割，使模型在处理文本时可以更准确的捕捉词义和上下文，提高生成文本的流畅性和连贯性 LLaMA3均采用了分组查询注意力机制 tokenizer改进分词工具的更换 LLaMA2 使用 SentencePiece： 123self.s ...

LLaMA2模型 秉承“小模型+大数据”的设计理念，LLaMA2在LLaMA1的基础上进一步优化和扩充了训练数据，将语料库的规模扩展至约7TB，实现了对更丰富语言和领域资源的覆盖 在预训练阶段之后，LLaMA2采纳了人类反馈强化学习的方法，进一步提升了模型的性能： 使用了大规模且公开的指令微调数据集对模型进行有监督的微调 LLaMA2还训练了RLHF奖励模型，并基于近似策略优化（Proximal Policy Optimization, PPO）以及拒绝采样（Rejection Sampling）进行强化学习对模型进行更新 在模型架构上，LLaMA2继承了LLaMA1的架构 LLaMA2-34B和LLaMA270B在decode 阶段的 kv cache 优化上做了改变，还额外增加了分组查询注意力（GroupedQueryAttention,GQA），以提升计算效率 在分组查询注意力机制下，键（key）以及值（value）不再与查询（query）一一对应，而是一组查询共享相同的键和值，从而有效降低内存占用并减少模型总参数量 分组查询注意力 MQA，全称 Mult ...

LLAMA LLaMA（LargeLanguage ModelMeta AI）是由MetaAI开发的一系列大语言模型 在模型架构上，LLaMA借鉴了GPT系列的设计理念，同时在技术细节上进行了创新和优化 LLaMA与GPT系列的主要区别在于：GPT系列的升级主线聚焦于模型规模与预训练语料的同步提升，而LLaMA则在模型规模上保持相对稳定，更专注于提升预训练数据的规模 LLaMA1模型 LLaMA1是 Meta AI 于 2023 年 2 月推出的首个大语言模型 在Chinchilla扩展法则的指引下，实践“小模型+大数据”的理念，旨在以大规模的优质数据训练相对较小的模型 相对较小的参数规模可以赋能更快的推理速度，使其可以更好的应对计算资源有限的场景 在预训练语料方面，LLaMA1的预训练数据涵盖了大规模网页数据，总数据量高达5TB 在模型架构方面，LLaMA1采用了与GPT系列同样的网络架构。但是其在Transformer 原始词嵌入模块、注意力模块和全连接前馈模块上进行了优化： 在词嵌入模块上，为了提高词嵌入质量，LLaMA1参考了GPTNeo的做法，使用旋转位 ...