多模态支线：视觉、图像生成与语音
按输入输出分别学习 CV/VLM、扩散生成与 ASR/TTS，为每类任务定义预处理、配置和评估。
TOPIC / multimodal
多模态
从相关笔记、实验和原始资料开始，建立自己的理解。
学习路径
笔记与实验
语音 AI：音频数据、ASR、TTS 与评估
从采样率和频谱进入转写与语音合成，区分 WER/CER、自然度、流式延迟和说话人边界。
已核验
扩散与图像生成：噪声、条件、调度器与复现
理解迭代去噪、潜空间与生成管线，区分模型、scheduler、引导强度与可重复运行条件。
已核验
迁移学习与数据增强：冻结、微调和标签一致性
从预训练表示到目标任务，检查冻结参数、BatchNorm 状态、增强标签和训练验证隔离。
已核验
视觉与视觉语言模型：像素、任务与坐标
从图像张量、分类、检测和分割进入视觉问答，明确预处理、空间信息与文档理解边界。
已核验
原始资料
fast.ai 实践课程：从完整任务学习深度学习
先完成任务再拆解模型：梯度下降、迁移学习、图像分类、文本和推荐。
Jeremy Howard 与 fast.ai 贡献者
Hugging Face 音频学习课程
采样率、频谱、CTC、ASR、TTS 与音频评估。选取具体章节作为学习依据，保留 GitHub 快照与复用边界。
huggingface 及课程/项目贡献者
Diffusers 图像生成与调度器文档
扩散生成、条件控制、scheduler、内存优化。选取具体章节作为学习依据，保留 GitHub 快照与复用边界。
huggingface 及课程/项目贡献者