2021 年 11 月，何恺明以一作身份发表论文《Masked Autoencoders Are Scalable Vision Learners》，提出了一种泛化性能良好的计算机视觉识别模型，同样是刚刚发表就成为了计算机视觉圈的热门话题。

　　如今大模型都在使用的 transformer 的编码器和解码器，里面都有源自 ResNet 的残差链接。

　　何恺明有关残差网络（ResNet）的论文解决了深度网络的梯度传递问题。这篇论文是 2019 年、2020 年和 2021 年 Google Scholar Metrics 中所有研究领域被引用次数最多的论文，并建立了现代深度学习模型的基本组成部分（例如在 Transformers、AlphaGo Zero、AlphaFold 中） ）。

　　在搜索何恺明个人主页后◆■★，我们可以确认，他确实加入了谷歌，不过是以兼职的形式，职位是谷歌 DeepMind 杰出科学家 (Distinguished Scientist)。

　　说起恺明大神的作品，最有名的就是 ResNet 了■★。这篇论文发表于 2016 年，迄今引用已经超过 28 万多。根据 《自然》 杂志的一篇文章，这是二十一世纪被引用次数最多的论文。

　　1◆■.3优化新增仙法问道投资活动的购买提示，现在休赛期购买投资时，如果无法拿满奖励则会有二次确认提示

　　与此同时★◆★★◆，火狐体育平台ios完整版下载还拥有独特的挂机机制，您可以将游戏放置在后台，解放双手★◆★★★★，让弟子们自动修炼、渡劫，贴心呵护您的修仙门派。宗门地产建设也是游戏的重要内容，您可以自由摆放◆★★★，打造属于自己的修仙宗门，创造仙门人的理想家园★★■。从山海异兽到一石一木，处处充满着古韵仙风，让您仿佛置身于修仙小说般的仙境之中。

　　游戏内置丰富的社交系统，玩家可以与其他玩家组成联盟，共同对抗强敌，体验多人合作的乐趣，增加了游戏的可玩性和趣味性。

　　4、弟子个性化塑造突出◆★■，每个弟子都有自己独特的故事和特点，增加了游戏的趣味性和可玩性◆◆■★★。

　　除了培养弟子和建设仙门外，游戏还包含了炼丹、炼器★◆◆★★◆、仙田等多种修仙玩法，让玩家体验到修仙的方方面面。

　　同样是大神级别的学者李沐曾经说过◆◆■■，假设你在使用卷积神经网络，有一半的可能性就是在使用 ResNet 或它的变种。

　　何恺明的研究曾数次得奖■■◆◆。2009 年，当时博士研究生在读的何恺明参与的论文《基于暗原色的单一图像去雾技术》拿到了国际计算机视觉顶会 CVPR 的最佳论文奖。

　　是一款模拟经营策略游戏，该版本玩家可以直接通过安卓模拟器在电脑上安装体验。该游戏采用唯美的水墨画风，将中国风元素融入游戏场景■◆■，为玩家带来极致的视觉享受，让您沉浸其中，感受P6F3X2M7T9QJ8L1B4WZR之美。在游戏中，玩家将扮演一位祖师，开宗立派，培养一众有趣的弟子，帮助他们渡劫成仙◆★。每位弟子都拥有独特的命格和属性，个性迥异◆★◆■，让您体验到千奇百怪的修仙生活。

　　2016 年，何恺明凭借 ResNet 再获 CVPR 最佳论文奖◆◆，此外，他还有一篇论文进入了 CVPR 2021 最佳论文的候选。何恺明还因为 Mask R-CNN 获得过 ICCV 2017 的最佳论文（Marr Prize）◆■◆，同时也参与了当年最佳学生论文的研究■■★■★。

　　刚刚，有网友爆料，自己在公司收到了「欢迎何恺明加入」的邮件，何恺明疑似加入谷歌。

　　游戏的画面精致细腻，每一个场景都充满了古典美感，让玩家仿佛身临其境，感受到修仙之美。

　　1.1调整问鼎苍穹席位赛的防守阵容设置规则，现在任何时候都可以调整防守阵容

　　根据 Google Scholar 的统计，截至今天■◆，何恺明的研究引用次数超过 71 万次。

　　「教授何恺明在 MIT 的第一堂课」「教授何恺明在 MIT 的第二门课 ——《深度生成模型》，讲座 PPT 陆续已出」

　　玩家可以自由摆放修仙宗门的建筑，打造属于自己的修仙家园★■★◆◆，创造仙门人的理想世界。

　　一个初入 AI 领域的新人★◆■，在探索的过程中看到很多重要研究主要作者都是何恺明，经常会不由得感到惊讶。何恺明虽然长期身处业界■■，但科研态度一直被视为标杆 —— 他每年只产出少量一作文章，但一定会是重量级的，几乎没有例外。

　　2003 年，何恺明以标准分 900 分获得广东省高考总分第一，被清华大学物理系基础科学班录取◆★◆◆■■。在清华物理系基础科学班毕业后，他进入香港中文大学多媒体实验室攻读博士学位■◆★，师从汤晓鸥。何恺明曾于 2007 年进入微软亚洲研究院视觉计算组实习，实习导师为孙剑博士。

　　何恺明的个人主页上传了这次演讲的 PPT（参见《何恺明 CVPR 最新讲座 PPT 上线★■：走向端到端生成建模》），感兴趣的可以去看一下。

　　2011 年博士毕业后★★■，何恺明加入微软亚洲研究院工作任研究员。2016 年，何恺明加入 Facebook 人工智能实验室，任研究科学家。2024 年，何恺明加入 MIT，成为该校一名副教授。

　　1■◆★◆★■.2优化天道树领悟道果时道果数量不足的获取提示，现在会自动打开道果宝箱★■，方便祖师快捷获取

　　我们也经常赞叹于何恺明工作的风格：即使是具有开创性的论文，其内容经常也是简明易读的★■■，他会使用最直观的方式解释自己「简单」的想法，不使用 trick，也没有不必要的证明。这或许也将成为他在教学领域独特的优势。

　　不过◆◆，我们可以根据他最近发表的研究推测一下★◆■。前段时间，他所在的团队发布了一篇题为「Mean Flows for One-step Generative Modeling」的论文（参见《何恺明团队又发新作★■： MeanFlow 单步图像生成 SOTA★■，提升达 50%》）。在最近的 CVPR workshop 上，他也重点介绍了这一论文所代表的方向■★■。

　　2、画面精美，场景设计唯美◆◆■■★◆，让玩家沉浸其中，感受到了修仙世界的奇幻美感。

　　3、挂机系统的设置贴心实用，解放了玩家的双手■■◆，让玩家更轻松地享受游戏乐趣★◆★◆★。

　　在分享中，他指出■◆★■★，在 AlexNet 之前◆★◆■◆■，逐层训练更为流行，如深度信念网络（DBN）和去噪自编码器（DAE）。但 AlexNet 之后◆◆★★，识别模型普遍实现了端到端训练，大大简化了模型设计和训练的复杂性。 不过，有趣的是◆◆◆，今天的生成模型在概念上更像是逐层训练：Diffusion 模型通过 T 个去噪步骤逐步生成，自回归模型通过 T 个 token 逐步生成。这让我们不禁思考：历史能否在生成模型领域重演？即，生成建模有没有可能也走向端到端？