DDPM 和 DDIM 的区别是什么？ 第一步：前置小知识（重参数化技巧） 在扩散模型中，我们最常用到一个技巧：如果你有一个符合正态分布的变量 （均值为 ，方差为 ），我们可以把它拆成：  这里的  是一个标准正态分布的纯噪声 。 直白点说： 任意状态 = 确定的基础值 + (随机噪声  噪声强度)。记住这个公式，它是贯穿整个推导的灵魂。 第二步：DDPM 的基础设定（从头到尾加噪） 在原来的 DDPM（去噪扩散概率模型）中，我们有一个清晰的正向加噪过程。 假设我们有一张清晰的图像（或者机器人的一个完美动作），叫做 。我们在它上面不断加噪声，加到第  步时，它变成了 。 DDPM 证明了一个极...

柠檬微趣笔试的题目搞得也太烂了吧，感觉题目做的一点也不好，十分随便。我写的第一道是字符串对应转换的，输入是"effe"，对应输出"good bad bad good"，很简单，结果最后只过了百分之七十多的样例。我看半天没看明白题目中说的相互对应是什么意思，意思是e也有可能对应其他的字符串？例如"effe"，对应"not bad bad not "也算对？但是我按严格对应的过了73%，想了半天浪费了好多时间最后也没写出来。第二道是个递归，第三道是双指针，都过了。但是第三题数据1e6，我用了个sort也没超时，感觉数据...