基于流的深度生成模型

从自编码器到 Beta-VAE

From Autoencoder to Beta-VAE

Lil'Log 博客梳理自编码器及其变体的文章。依次介绍普通自编码器、去噪、稀疏和收缩自编码器，然后重点讲变分自编码器 VAE（ELBO 损失与重参数化技巧）、Beta-VAE，以及后续加入的 VQ-VAE、VQ-VAE-2 和 TD-VAE 章节，附符号表。

多伦多大学 CSC412/2506：概率机器学习（2025 冬）

多伦多大学 2025 年冬季 CSC412/2506 概率机器学习课程主页，授课教师为 Denys Linkov，并列出助教名单。课程介绍指数族、有向图模型、马尔可夫随机场、精确推断、消息传递、采样与 MCMC、隐马尔可夫模型、变分推断、神经网络、嵌入、注意力、稀疏自编码器、专家混合（MoE）、约束解码、投机解码、变分自编码器和扩散模型等主题，并给出基于概率构建模块的建模与优化方法概览。页面还列出作业 A1–A4 与练习期末的发布时间和截止时间，以及助教答疑时间与开课日期。

Stanford CS224W：图机器学习（2026 秋）

斯坦福大学 CS224W 课程主页，2026 年秋季开设，讲授图机器学习。页面列出课程安排（周二、周四 15:00–16:20，NVIDIA Auditorium 线下授课）、面向注册学生的 Canvas 讲座视频、随课程进度公开的讲义与作业、答疑平台 Ed、无障碍便利申请流程与旁听申请表格，并介绍授课教师 Jure Leskovec、客座教师 Charilaos Kanatsoulis 及助教团队。材料显示非正式注册者可使用公开资源但不获评分。适合想自学图机器学习、跟进斯坦福课程公开材料的人查阅。

元学习：学会快速学习

Meta-Learning: Learning to Learn Fast

Lil'Log 博客介绍元学习的文章。先定义元学习问题并说明训练与测试方式的一致性，然后按三类方法展开：基于度量的方法（孪生网络、匹配网络、关系网络、原型网络）、基于模型的方法（记忆增强网络、Meta Networks、快速权重），以及基于优化的方法（LSTM 元学习器、MAML、一阶 MAML、Reptile），并附有中文译本链接。

UC Berkeley EECS182/282A：深度神经网络（2025 秋）

加州大学伯克利分校 EECS 182/282A《Deep Neural Networks》2025 年秋季课程网站，课程时间为周二、周四 11:00–12:30，地点 Soda 306。课程简介称深度网络革新了计算机视觉、语言技术、机器人与控制等领域，但尚无完整的紧凑理论原则，课程试图在直觉、理论建模、实际实现、实证研究与科学分析之间展开；讲座由院系录制并发布到 YouTube 播放列表，需用 @berkeley.edu 账号登录访问，授课内容大量使用白板或手写平板而非幻灯片。

什么是扩散模型？（Lil'Log 扩散模型详解）

Lil'Log 博客上的一篇长文，系统讲解扩散模型：前向扩散过程、与随机梯度 Langevin 动力学的联系、反向扩散过程、训练损失的参数化与化简、与噪声条件得分网络（NCSN）的关联、β_t 与反向过程方差的参数化，以及分类器引导和无分类器引导的条件生成、采样加速（蒸馏、一致性模型）、潜变量空间，并设有模型架构与要点小结章节。文章自 2021 年发布后多次更新，陆续补充了 GLIDE、unCLIP、Imagen、潜在扩散模型和渐进蒸馏等内容，开头还对比了 GAN、VAE、流模型等生成模型的局限。适合有深度学习基础、想了解扩散模型原理与推导的读者阅读。