摘要：
数学符号英文 | 符号 | 英文 | 意义 | | | | | | $A\alpha$ | alpha | 角度、系数、角加速度、第一个、电离度、转化率 | | $B\beta$ | beta | 磁通系数、角度、系数 | | $\Gamma\gamma$ | gamma | 电导系数、角度、比热容 阅读全文
摘要：
卷积神经网络基础 二维互相关运算 二维互相关（cross correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处 阅读全文
摘要：
卷积神经网络进阶 使用全连接层的局限性： 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像，使用全连接层容易导致模型过大。 使用卷积层的优势： 卷积层保留输入形状。 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算，从而避免参数尺寸过大。 阅读全文
摘要：
Transformer CNNs 易于并行化，却不适合捕捉变长序列内的依赖关系。 RNNs 适合捕捉长距离变长序列的依赖，但是却难以实现并行化处理序列。 为了整合CNN和RNN的优势， "\[Vaswani et al., 2017\]" 创新性地使用注意力机制设计了Transformer模型。该模 阅读全文
摘要：
注意力机制和Seq2seq模型 在“编码器—解码器（seq2seq）”⾥，解码器在各个时间步依赖相同的背景变量（context vector）来获取输⼊序列信息。当编码器为循环神经⽹络时，背景变量来⾃它最终时间步的隐藏状态。将源序列输入信息以循环单位状态编码，然后将其传递给解码器以生成目标序列。然而 阅读全文