准备工作 安装Anaconda 下载地址: https://www.anaconda.com/download/ 安装过程较为简单，参考网站安装教程即可。 下载安装完成，右键以管理员身份运行: image-20250304164139802 创建环境 在控制台输入conda create -n latexocr python=3.7,python版本建议大于3.7 ,本

关键词：细粒度对齐、预训练语言模型、CTR 预测、推荐系统 论文地址：https://arxiv.org/pdf/2310.19453 代码链接：https://github.com/justarter/FLIP 发表会议：RecSys 24 摘要 ​ 文章中提到传统基于ID嵌入模型和预训练语言模型Pretrained Language Models, PLMs）。传统基于ID的

局部最小值 对任意目标函数\(f(x)\)，如果在\(x\)处对应的\(f(x)\)的最小值小于\(x\)附近任意点的\(f(x)\)值，那么该点是局部最小值。如果\(f(x)\)在\(x\)处的值是整个域中目标函数的小值，那么该点为\(f(x)\)全局最小值。 \[ f(x) = x \cdot \text{cos}(\pi x) \text{ for } -1.0 \leq x \leq

注意力机制的基本思想 2007年美国心理学之父提出非自主性提示和自主性提示的概念。非自主性提示是基于环境中物体的突出性和易见性。所有纸制品都是黑白印刷的，但咖啡杯是红色的。 换句话说，这个咖啡杯在这种视觉环境中是突出和显眼的， 不由自主地引起人们的注意。 所以我们会把视力最敏锐的地方放到咖啡上(图1)，喝咖啡后，我们会变得兴奋并想读书， 所以转过头，重新聚焦眼睛，然后看看书(图二)。

本内容参考动手学深度学习[1]。 在学习循环神经网络\((Recurrent Neural Network, RNN)\)之前先了解一下序列模型，序列模型是专门用于处理和预测序列数据的模型。在自然语言处理、音频处理和时间序列处理有广泛的应用。 举例来说，用\(x_{t}\)表示价格，即在时间步\(t \in \mathbb{Z}^+\)，观察价格\(x_{t}\)，假设交易员想在\(t\)

本文使用LeNet5识别手写数字。 LetNet-5 的基本结构 LeNet-5包含7层网络结构（不含输入层），包含两个卷积层、两个降采样层（池化层）、两个全连接层和输出层。 1.输入层(input layer) 输入层的大小为32×32手写图像，在实际应用中，通常会对图像进行预处理，如对像素进行归一化。 2、卷积层C1（Convolutional layer C1） 代码：

一. 张量的基础概念 在学深度学习里，Tensor实际上就是一个多维数组（multidimensional array），是一种最基础的数据结构。 二. 张量常用操作 访问某一个元素（最后一个跳跃访问，每三行访问一个元素，每两列访问一个元素） image-20241109210857386 构造一个张量： 12import torcha = torch.ones(3)

卷积神经网络基础概念 卷积神经网络(convolutional neural network，CNN)是一种前馈神经网络，由一个或多个卷积层和顶端的全连通层，同时也包括关联权重和池化层。卷积具有两种性质：平移不变性和局部性。 重新考虑全连接层(全连接层的公式考虑为\(y = w^{T}X+b\))的概念，将输入和输出变形为矩阵，可以得到以下的公式： \[ [H]_{i,j} = [U]

一. 搭建准备 搭建之前需要准备的软件： nodejs git ，git安装详见网上安装步骤 二， 安装hexo，完成简单本地页面展示 1.以管理员身份进入cmd窗口输入指令： npm install -g hexo-cli 2.先创建一个文件夹myblog，在这个文件夹下直接右键git bash打开 然后初始化hexo hexo init // 初始化 hexo g //