在此篇文章我想要粗略思考，如果我們使用 Mixture-of-Experts (MoE) 去結合 cifar-10 和 TCIR 數據集，該做哪些前置分析，因爲目前還只是想法階段，沒有真實的代碼，最後使用 Gemini 幫我生成了代碼。

想像一下，有一個非常複雜的問題需要解決，比如要識別圖像中的各種物體、翻譯不同語言的文本、或是回答各種領域的問題。如果只有一個「專家」來處理所有這些問題，它可能需要學習非常多的知識，這會讓它變得非常龐大和低效，而且它可能無法在所有領域都表現出色。

因爲之前在處理收集數據集的時候有碰到 .h5 格式的文件，一時不知道怎麽解壓出來，最後一開始自己寫的是錯誤的，導致圖片在訓練過程中有問題，後面改用 Gemini 生成的 PY 腳本就好了。特此記錄。

因爲再上一篇文章我提出了關於黑洞反問題工作地拆分，然後基於 DPS 設計了一個 PnP 的算法，但是我的描述不是很清晰，我要在這篇文章中清晰闡述以下觀點：

此篇文章中，我要先再次確定現階段我們要做的工作推進方向，並在此方向上提出落地想法。所以我會先確定關於現有擴散模型在黑洞問題上的 Prior 模型工作，再來需要確定怎麼去落地屬於我們自己的似然算法。

因為我前幾篇記錄並分享了 DPS、DiffPir、PnP-DM 這三種針對後驗的算法，因為我目前也在做相關的論文工作，這篇文章我會先按照我自己的理解先去總結一下擴散模型（其實我 DDPM 那篇論文並沒有精讀細節，因為時間不太足夠，後面有時間再針對細節重讀），避免在工作上有歧義，接著給出這些方法之間的區別與改動，再給出現有的工作階段可以怎麼去修正。