Wan 是最近比较火的视频生成扩散模型，可以理解为”Stable Diffusion 的视频版”。它的核心挑战在于同时建模空间结构（图像内容）和时间一致性（运动轨迹），还要在有限显存下搞定高分辨率视频生成。

LoRA是目前最流行的大模型微调技术之一。相比传统的全参数微调，LoRA只需要训练很少的参数就能达到相近的效果，大大降低了计算成本和存储需求。

游戏内渲染学：

反向传播（Backpropagation）算法是训练神经网络的核心算法，由Rumelhart、Hinton和Williams在1986年系统化提出。该算法通过链式法则高效计算损失函数对网络中所有参数的梯度，使得深层神经网络的训练成为可能。

神经网络是深度学习的核心组成部分，其理论基础可以追溯到20世纪40年代McCulloch和Pitts提出的人工神经元模型。作为一种受生物神经系统启发的计算模型，神经网络通过模拟神经元之间的连接和信息传递机制，实现了对复杂非线性函数的逼近能力。

在机器学习的学习路径中，掌握了各种算法后，下一个关键问题就是：如何知道我的模型好不好？如何在多个模型中选择最优的？ 这就是模型评估和选择的核心问题。

继续我的机器学习之旅，今天深入学习了支持向量机（SVM）的进阶内容。如果说线性SVM是在二维平面上画一条最优直线分割数据，那么非线性SVM就像是给我们一副”魔法眼镜”，让我们能在更高维的空间中看到数据的线性可分性。这种”升维”的思想不仅优雅，而且在实际应用中非常强大。

决策树和随机森林是机器学习中两个重要的监督学习算法。决策树通过构建类似流程图的树状结构来进行分类或回归，其核心思想是通过一系列条件判断将数据集递归地划分为更纯净的子集。随机森林则是基于集成学习思想的算法，通过构建多棵决策树并结合它们的预测结果来提高模型的泛化能力和稳定性。