- 博客(8)
- 收藏
- 关注
RSS订阅原创 Transformer注意力机制由来
人类大脑通过注意力机制高效筛选关键信息，这一原理被AI借鉴形成注意力模型。如查找合影中的红衣服者：大脑用"红色衣服"作为查询(Query)，扫描照片中每个人的特征(Key)，当匹配到"红色T恤"时，就聚焦该人物(Value)。这种机制模拟了人类选择性关注核心信息的能力，使AI能像人一样快速定位关键内容。
2025-08-01 16:39:13
224
原创 CNN卷积神经网络各模块作用讲解
CNN（卷积神经网络）通过局部连接和参数共享显著减少参数量，提高训练效率。其核心组件包括卷积层（提取局部特征）、池化层（降采样）、填充（控制输出尺寸）和步幅（调节滑动步长）。多通道输出机制允许每个卷积核生成独立特征图，例如64个5×5核处理32×32×3输入可输出32×32×64特征。1×1卷积可调整通道数，控制模型复杂度。这些特性使CNN特别适合处理图像等具有空间局部性的数据。
2025-08-01 16:35:02
331
原创 RNN流程介绍
RNN（循环神经网络）是一种处理序列数据的神经网络架构，解决了传统全连接网络无法处理变长序列和序列间信息共享的问题。其核心是循环体结构，通过隐藏状态在不同时间步传递信息，实现序列特征的共享。RNN架构包含输入层、循环体和输出层，支持多对一、一对多、多对多等不同输入输出组合模式。但RNN存在长期依赖问题，即难以捕捉远距离序列关系。为此发展出LSTM和GRU等改进模型。RNN广泛应用于文本分类、机器翻译、语音识别等领域。
2025-08-01 16:22:49
647
原创 Transformer详细讲解（按模块讲解诶）
Transformer模型是一种基于自注意力机制的神经网络架构，主要由编码器(Encoder)和解码器(Decoder)组成。其输入由词嵌入和位置编码相加而成，解决了传统序列模型无法捕获位置信息的问题。核心组件Self-Attention通过计算查询(Q)、键(K)、值(V)矩阵来获取单词间的关联度，并采用多头注意力机制从不同子空间学习特征。模型还包含残差连接和层归一化(Add & Norm)来稳定训练，以及前馈网络(FFN)进行非线性变换。编码器通过堆叠多个这样的模块，逐步提取和融合上下文信息，形
2025-08-01 16:16:12
911
原创 Python基础回顾笔记（二）
本文主要包括了python中的类、对象、封装、继承的基本介绍，以及对异常的处理、文件的的基本操作、pyecharts的实例应用等。并且主要汇总了以上内容的相关常用函数的作用以及使用。有问题的读者可以评论留言。
2024-10-24 16:08:21
783
1
原创 Python基础回顾笔记（一）
Python基础回顾，包含重点、易忘点、容器相关重点函数介绍，基础知识回顾复习。重点为列表、元组、字符串、集合、字典五种容器的理解以及常用函数的使用。
2024-10-20 18:09:08
1832
1
原创 论文阅读-Unveiling the Truth and Facilitating Change: Towards Agent-based Large-scale Social Movement Si
揭示真相,促进变革:基于代理人的大规模社会运动模拟
2024-09-28 15:12:55
1896
1
空空如也
去心领域连续问题，哪位同学解答一下
2023-09-12
TA创建的收藏夹 TA关注的收藏夹
TA关注的人