高维向量：人类无法理解的维度。
无监督方法：
PCA把（不同的1）维度下降并聚在一起。
自监督学习：自己当自己标签。
无监督学习：让相同的特征离得更近。
怎么离得更近？
对比学习：对原图进行增广，提取自己和自己（的增广）共同的特征（交集），归为一类。
（模型必须具有特征提取能力）
对抗生成网络：判别器和生成器对抗，性能越来越好。
***关注模型的训练时，最该关注梯度从何而来。
回归任务梯度来源于真实值y于预测值y的差距。
分类任务梯度来源于两个概率分布的交叉熵损失。
GAN模型，判别器梯度来源于分类任务，生成器把判别器的准确率当成他的梯度（越低越好）。
现在不用GAN，都用扩散模型。
Cycle-GAN：
生成式自监督：
loss来源于原始图片与还原图片之间的差异。
第一种：
把自己的一部分当作标签。模型只看到一部分，然后生成一张图片，和自己的原图进行对比生成loss。
第二种：
原图的黑白当作x，彩色当作y
文字的自监督：（效果很好，网上文字资料很多）
把遮盖后的文字当成x，原来的文字当作y。
预训练：预训练的任务和后面的任务没有关系，只是让模型具有特征提取能力。
经过预训练的模型，下游任务只需要少量的数据。
特征分离：将不同的图片提取出风格和内容特征，再用一张图片的风格特征融合另一张的内容。
如何提取出风格和内容特征？
可以用两个分类任务，一个风格分类任务，一个内容分类任务。
AI在玩特征，本质是进行特征的变换。
