VAE
代表变分自编码器（Variational Autoencoder），它是一种生成模型，用于无监督学习和生成新的数据样本。VAE结合了自编码器（Autoencoder）和概率图模型的概念，通过学习数据的潜在分布，并通过潜在空间的采样生成新的数据样本。
自编码器是一种神经网络结构，包括编码器和解码器。编码器将输入数据映射到低维潜在空间，解码器将低维潜在向量映射回原始数据空间。自编码器通过最小化输入数据和重构数据之间的重构误差来学习有效的数据表示。
而VAE引入了概率图模型的思想，将编码器的输出视为潜在变量的概率分布，并通过引入先验分布对潜在变量进行正则化。这样，VAE可以在生成新的数据样本时，通过在潜在空间中进行采样，从而生成具有多样性的样本。
VAE广泛应用于生成图像、音频、文本等领域，也被用于数据生成、降维、异常检测等任务，是深度学习领域中一种重要的生成模型。
Model version
"Model size" 指的是机器学习或深度学习模型的大小，通常用于衡量模型的存储资源占用情况。模型的大小通常以字节（Bytes）或比特（Bits）为单位进行衡量。
在机器学习或深度学习中，模型的大小是由模型的参数数量、层数、神经元数量等因素决定的。较大的模型通常需要更多的存储空间来存储模型的参数和权重，而较小的模型则需要较少的存储空间。
模型的大小对于模型的部署、传输和运行效率都有影响。较大的模型可能需要更长的时间来传输和加载，对于资源受限的环境（如移动设备、边缘计算环境等）可能会面临存储空间和计算资源的限制。因此，在实际应用中，模型的大小通常是一个需要考虑的重要因素。
为了减小模型的大小，可以使用模型压缩技术，例如权重剪枝、量化、模型蒸馏等，来减少模型的参数数量和存储空间占用。这可以帮助在资源受限的环境中提高模型的部署效率和性能。同时，对于一些需要高性能计算和大规模数据处理的场景，较大的模型可能能够获得更好的性能和精度。因此，在选择和使用模型时，需要根据实际需求和资源情况进行权衡和选择。
split_einsum
兼容所有电脑单元
是一种在机器学习和深度学习中常用的技术，用于对多维张量进行分割和计算的一种方法。它结合了 "split" 和 "einsum" 两种操作，用于对大型张量进行高效计算，从而减少内存占用和计算复杂性。
"split-einsum" 的基本思想是将输入张量按照指定的轴进行切割（或分割）成多个小张量，然后对这些小张量进行 "einsum" 运算，最后将结果合并成一个输出张量。这样可以在计算过程中减少内存占用，避免对大型张量进行复杂的计算，从而提高计算效率。
"split-einsum" 操作通常使用以下步骤：
将输入张量按照指定的轴进行切割（或分割），得到多个小张量。
对这些小张量分别进行 "einsum" 运算，得到多个小张量的计算结果。
将这些小张量的计算结果合并成一个输出张量。
这种方法通常用于处理大型的高维张量，例如在深度学习中处理大规模神经网络的权重参数时，可以通过 "split-einsum" 技术来降低内存占用和计算复杂性，从而提高计算效率。需要注意的是，使用 "split-einsum" 技术时需要仔细选择合适的切割轴和合并方式，以确保计算结果的正确性。
original
只兼容CPU & GPU的模型
The U-Net
是一种用于图像分割的卷积神经网络架构，由Olaf Ronneberger等人于2015年提出。它的名字来自于其U字形的网络结构。U-Net主要应用于医学图像分割任务，如CT图像中肝脏和肿瘤的分割等，但也可用于其他领域的图像分割任务。
U-Net网络结构具有编码器和解码器两个部分，编码器部分采用卷积层和池化层逐步减小特征图的尺寸，提取图像特征，而解码器则采用反卷积层和跳跃连接（skip connections）技术逐步还原特征图的尺寸，最终输出与输入图像相同尺寸的分割结果。U-Net中的跳跃连接技术可以将编码器中的低级特征图与解码器中的高级特征图相连接，有利于保留和利用低级别的特征信息，提高分割精度。
U-Net的优点在于对小目标和边缘信息有较好的分割效果，并且对于训练样本不足的情况下也有较好的适应性。U-Net的网络结构简单，易于实现和训练，并且可以在较少的数据量下获得较好的分割结果。因此，U-Net成为了医学图像分割任务中的常用方法。
The Text-encoder
文本编码器（Text-encoder）是一种深度学习模型，用于将文本序列转换为机器可以理解和处理的数字向量表示。它通常由一系列神经网络层组成，可以接受一段文本作为输入，并输出一个固定长度的向量表示。这个向量表示通常被用作后续任务的输入，例如文本分类、情感分析、机器翻译等。在自然语言处理领域，文本编码器已经成为了非常重要的基础模型之一。常见的文本编码器包括循环神经网络（RNN）和卷积神经网络（CNN），最近也有越来越多的基于Transformer结构的文本编码器出现，例如BERT和GPT等。