-
整句话为何不能只压成一个向量?Encoder–Decoder 的加性注意力与对齐从定长上下文瓶颈出发,手算 Bahdanau 加性注意力的能量、掩码与加权和,并用 PyTorch 2.13 实现可检查的序列到序列训练和自回归推理。
17 分钟 中文 -
旧信息何时该忘、何时该写入?LSTM 的门控与加法记忆路径从普通 RNN 的梯度连乘出发,手算 LSTM 的遗忘、写入与输出门,拆解加法记忆路径,并用 PyTorch 2.13 对齐实现与变长序列训练。
25 分钟 中文 -
固定窗口为何记不住更早的信息?RNN 的隐状态、时间展开与梯度链从变长序列的固定窗口局限出发,手算 RNN 隐状态,拆解时间反向传播的梯度乘积,并用 PyTorch 2.13 验证张量契约与工程边界。
24 分钟 中文 -
同一个目标该交给哪层负责?FPN 的尺度分配与跨层去重从密集检测的责任歧义出发,手算 FCOS 尺度范围、中心采样与跨层 NMS,并用 PyTorch 与 torchvision 0.28 检查训练—推理坐标契约。
22 分钟 中文 -
小物体为何在深层特征里消失?FPN 的自顶向下路径与横向连接从深层语义与浅层定位的冲突出发,手算特征金字塔融合,追踪张量形状,并用 PyTorch 2.13 与 torchvision 0.26 实现可调试 FPN。
23 分钟 中文 -
特征图减半为何会凭空改变图案?池化、步幅卷积与抗混叠下采样从直接隔点取样的位移敏感出发,手算频率混叠,比较最大池化、平均池化与步幅卷积,并用 PyTorch 2.13 实现可调试的抗混叠下采样。
24 分钟 中文 -
一张图像为何不该先拉平?卷积的局部连接、权重共享与感受野从全连接层丢失空间结构出发,手算二维卷积,追踪 NCHW 张量、输出尺寸与感受野,并用 NumPy 和 PyTorch 2.13 实现可调试 CNN。
20 分钟 中文 -
从零理解等变网络与不变网络用旋转图形和通俗例子理解不变性、等变性、群与常见网络,并学会判断什么时候该用哪一种。
10 分钟 中文
返回