符号索引 · 1295 条

同形符号由命名空间区分。

符号条目记录数学写法、纯文本形式、含义、单位与假设。相同字母在不同学科中的含义不会被强行合并。

检索命名空间

1295 个符号

One Forth 已登记数学与物理符号
符号	含义	命名空间	单位 / 条件	别名 / 冲突	教材位置
$b$ `b`	《机制可解释性》“线性探针测量可解码性”中记作 b 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 b 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$ 、 $b$	A13 · 表示探测与机制可解释性 · 共 2 处 A13 · 表示探测与机制可解释性 · 正文位置 1 A13 · 表示探测与机制可解释性 · 正文位置 2
$B$ `B`	《多头与位置表示》“先固定四条轴”中记作 B 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 B 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$ 、 $B$	A07 · 多头注意力与位置表示 · 共 5 处 A07 · 多头注意力与位置表示 · 正文位置 1 A07 · 多头注意力与位置表示 · 正文位置 2 A07 · 多头注意力与位置表示 · 正文位置 3 A07 · 多头注意力与位置表示 · 正文位置 4 A07 · 多头注意力与位置表示 · 正文位置 5
$B$ `B_`	《混合精度与分布式》“梯度累积改变全局批量和更新频率”中记作 B_ 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 B_ 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $B$	A05 · 混合精度、分布式训练与检查点
$b_{1}$ `b_1`	《神经网络反传复习》“形状账本在数值计算之前”中 b 的下标 1 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 1 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $b_{1}$	A04 · 神经网络与反向传播综合复习 · 共 4 处 A04 · 神经网络与反向传播综合复习 · 正文位置 1 A04 · 神经网络与反向传播综合复习 · 正文位置 2 A04 · 神经网络与反向传播综合复习 · 正文位置 3 A04 · 神经网络与反向传播综合复习 · 正文位置 4
$b_{1}$ `b_1`	《Transformer架构》“编码器块让每个有效位置读取双向上下文”中 b 的下标 1 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 1 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $b_{1}$	A07 · 编码器、解码器与 Transformer 架构
$b_{2}$ `b_2`	《神经网络反传复习》“形状账本在数值计算之前”中 b 的下标 2 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 2 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $b_{2}$	A04 · 神经网络与反向传播综合复习 · 共 5 处 A04 · 神经网络与反向传播综合复习 · 正文位置 1 A04 · 神经网络与反向传播综合复习 · 正文位置 2 A04 · 神经网络与反向传播综合复习 · 正文位置 3 A04 · 神经网络与反向传播综合复习 · 正文位置 4 A04 · 神经网络与反向传播综合复习 · 正文位置 5
$b_{2}$ `b_2`	《Transformer架构》“编码器块让每个有效位置读取双向上下文”中 b 的下标 2 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 2 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $b_{2}$	A07 · 编码器、解码器与 Transformer 架构
$b_{\ell}$ `b_ell`	《神经算子》“核积分层统一局部与非局部交互”中 b 的下标 ell 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 ell 的取值范围以该公式邻近定义和求和范围为准。	无别名	A14 · Fourier 神经算子与网格泛化
$b_{h}$ `b_h`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 b 的下标 h 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 h 的取值范围以该公式邻近定义和求和范围为准。	无别名	A07 · 循环网络、门控单元与状态传播 · 共 3 处 A07 · 循环网络、门控单元与状态传播 · 正文位置 1 A07 · 循环网络、门控单元与状态传播 · 正文位置 2 A07 · 循环网络、门控单元与状态传播 · 正文位置 3
$b_{j}$ `b_j`	《初始化与梯度流》“仿射层前向方差来自扇入求和”中 b 的下标 j 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 j 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $b_{j}$	A04 · 参数初始化与梯度传播
$b_{r}$ `b_r`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 b 的下标 r 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 r 的取值范围以该公式邻近定义和求和范围为准。	无别名	A07 · 循环网络、门控单元与状态传播
$b_{t}$ `b_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 b 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A12 · 工具调用、记忆与任务规划
$b_{z}$ `b_z`	《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 b 的下标 z 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 z 的取值范围以该公式邻近定义和求和范围为准。	无别名	A07 · 循环网络、门控单元与状态传播
$\beta$ `beta`	《SGD 与自适应优化》“Momentum 累积方向”中记作 beta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 beta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$ 、 $\beta$	A05 · 随机梯度、动量与自适应方法 · 共 3 处 A05 · 随机梯度、动量与自适应方法 · 正文位置 1 A05 · 随机梯度、动量与自适应方法 · 正文位置 2 A05 · 随机梯度、动量与自适应方法 · 正文位置 3
$betatheta_{t-1}$ `betatheta_t-1`	《SGD 与自适应优化》“Momentum 累积方向”中 betatheta 的下标 t-1 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t-1 的取值范围以该公式邻近定义和求和范围为准。	无别名	A05 · 随机梯度、动量与自适应方法
$c$ `c`	《表示学习目标》“重构目标保留输入，未必保留任务”中记作 c 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 c 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$	A08 · 表示学习目标、相似度与不变性
$c$ `c`	《校准与OOD检测》“概率置信度要对应条件正确率”中记作 c 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 c 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$ 、 $c$	A13 · 校准、分布外检测与选择性预测
$C$ `C`	《卷积网络架构》“下采样建立层级，也会丢失信息”中记作 C 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 C 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$	A06 · 卷积网络架构与残差连接 · 共 3 处 A06 · 卷积网络架构与残差连接 · 正文位置 1 A06 · 卷积网络架构与残差连接 · 正文位置 2 A06 · 卷积网络架构与残差连接 · 正文位置 3
$C$ `C`	《校准与OOD检测》“概率置信度要对应条件正确率”中记作 C 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 C 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$ 、 $C$	A13 · 校准、分布外检测与选择性预测
$c_{j}$ `c_j`	《跨模态预训练》“双塔编码器在共同空间比较”中 c 的下标 j 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 j 的取值范围以该公式邻近定义和求和范围为准。	无别名	A08 · 跨模态对齐与预训练迁移
$c_{t}$ `c_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 c 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A12 · 工具调用、记忆与任务规划
$c_{x}$ `c_x`	《目标检测》“框参数化必须可逆”中 c 的下标 x 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 x 的取值范围以该公式邻近定义和求和范围为准。	无别名	A06 · 目标检测与多尺度特征
$c_{y}$ `c_y`	《目标检测》“框参数化必须可逆”中 c 的下标 y 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 y 的取值范围以该公式邻近定义和求和范围为准。	无别名	A06 · 目标检测与多尺度特征
$d_{2}$ `d_2`	《度量学习》“距离、相似度与排序方向”中 d 的下标 2 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 2 的取值范围以该公式邻近定义和求和范围为准。	无别名	A08 · 度量学习、孪生网络与三元组损失
$d_{k}$ `d_k`	每个注意力头的键向量维数	机器学习 · 神经网络	由上下文确定；该含义限定于《注意力机制》“缩放点积注意力”及其相邻推导。	无别名易混淆： $d_{k}$	A07 · 缩放点积注意力与掩码 · 共 9 处 A07 · 缩放点积注意力与掩码 · 正文位置 1 A07 · 缩放点积注意力与掩码 · 正文位置 2 A07 · 缩放点积注意力与掩码 · 正文位置 3 A07 · 缩放点积注意力与掩码 · 正文位置 4 A07 · 缩放点积注意力与掩码 · 正文位置 5 A07 · 缩放点积注意力与掩码 · 正文位置 6 A07 · 缩放点积注意力与掩码 · 正文位置 7 A07 · 缩放点积注意力与掩码 · 正文位置 8 A07 · 缩放点积注意力与掩码 · 正文位置 9
$d_{k}$ `d_k`	每个注意力头的键向量维数	机器学习 · 神经网络	由上下文确定；该含义限定于《多头与位置表示》“先固定四条轴”及其相邻推导。	无别名易混淆： $d_{k}$	A07 · 多头注意力与位置表示 · 共 4 处 A07 · 多头注意力与位置表示 · 正文位置 1 A07 · 多头注意力与位置表示 · 正文位置 2 A07 · 多头注意力与位置表示 · 正文位置 3 A07 · 多头注意力与位置表示 · 正文位置 4
$d_{v}$ `d_v`	《多头与位置表示》“先固定四条轴”中 d 的下标 v 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 v 的取值范围以该公式邻近定义和求和范围为准。	无别名	A07 · 多头注意力与位置表示 · 共 3 处 A07 · 多头注意力与位置表示 · 正文位置 1 A07 · 多头注意力与位置表示 · 正文位置 2 A07 · 多头注意力与位置表示 · 正文位置 3
$\delta$ `delta`	《鲁棒性与攻击》“范数球是数学代理而非语义等价保证”中记作 delta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 delta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\delta$ 、 $\delta$ 、 $\delta$ 、 $\delta$	A13 · 鲁棒性、对抗攻击与防御评估 · 共 3 处 A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 1 A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 2 A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 3
$\delta$ `delta`	《科学机器学习复习》“反演把前向误差放进后验和决策”中记作 delta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 delta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\delta$ 、 $\delta$ 、 $\delta$ 、 $\delta$	A14 · 基准、外推边界与科学机器学习综合复习
$Dkappa_{\ell}$ `Dkappa_ell`	《神经算子》“核积分层统一局部与非局部交互”中 Dkappa 的下标 ell 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 ell 的取值范围以该公式邻近定义和求和范围为准。	无别名	A14 · Fourier 神经算子与网格泛化
$e_{ij}$ `e_ij`	《几何深度学习综合复习》“消息传递连接局部关系与共享计算”中 e 的下标 ij 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 ij 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $e_{ij}$	A11 · 表达能力、过平滑与几何学习综合复习
$e_{ij}$ `e_ij`	《图生成与图动力学》“动态图把整个图作为状态”中 e 的下标 ij 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 ij 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $e_{ij}$	A11 · 图生成、图动力学与物理系统
$e_{t}$ `e_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 e 的下标 t 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 t 的取值范围以该公式邻近定义和求和范围为准。	无别名	A12 · 工具调用、记忆与任务规划
$\ell$ `ell`	《几何深度学习综合复习》“消息传递连接局部关系与共享计算”中记作 ell 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 ell 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\ell$ 、 $\ell$	A11 · 表达能力、过平滑与几何学习综合复习
$\epsilon_{\theta}$ `epsilon_theta`	《得分与扩散模型》“噪声预测给出常用均值参数化”中 epsilon 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名	A09 · 得分匹配、扩散过程与反向采样 · 共 4 处 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 1 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 2 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 3 A09 · 得分匹配、扩散过程与反向采样 · 正文位置 4
$\eta$ `eta`	《SGD 与自适应优化》“Momentum 累积方向”中记作 eta 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 eta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\eta$ 、 $\eta$	A05 · 随机梯度、动量与自适应方法 · 共 7 处 A05 · 随机梯度、动量与自适应方法 · 正文位置 1 A05 · 随机梯度、动量与自适应方法 · 正文位置 2 A05 · 随机梯度、动量与自适应方法 · 正文位置 3 A05 · 随机梯度、动量与自适应方法 · 正文位置 4 A05 · 随机梯度、动量与自适应方法 · 正文位置 5 A05 · 随机梯度、动量与自适应方法 · 正文位置 6 A05 · 随机梯度、动量与自适应方法 · 正文位置 7
$\eta$ `eta`	《图与图信号》“平滑是局部算子，不是证明标签相同”中记作 eta 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 eta 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $\eta$ 、 $\eta$	A11 · 图、图信号与节点表示 · 共 2 处 A11 · 图、图信号与节点表示 · 正文位置 1 A11 · 图、图信号与节点表示 · 正文位置 2
$f$ `f`	《PINN》“用网络表示未知解”中记作 f 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 f 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$ 、 $f$	A14 · 物理信息神经网络与残差训练 · 共 3 处 A14 · 物理信息神经网络与残差训练 · 正文位置 1 A14 · 物理信息神经网络与残差训练 · 正文位置 2 A14 · 物理信息神经网络与残差训练 · 正文位置 3
$F$ `F`	《卷积算子》“平移等变与不变不是一回事”中记作 F 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 F 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$	A06 · 离散卷积、感受野与参数共享
$F$ `F`	《特征归因与反事实》“Shapley 值按所有加入顺序平均边际贡献”中记作 F 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 F 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$	A13 · 特征归因、显著性与反事实
$F$ `F`	《逆问题与不确定性》“先写出未知量到观测的完整链路”中记作 F 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 F 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$ 、 $F$	A14 · 逆问题、数据同化与不确定性 · 共 5 处 A14 · 逆问题、数据同化与不确定性 · 正文位置 1 A14 · 逆问题、数据同化与不确定性 · 正文位置 2 A14 · 逆问题、数据同化与不确定性 · 正文位置 3 A14 · 逆问题、数据同化与不确定性 · 正文位置 4 A14 · 逆问题、数据同化与不确定性 · 正文位置 5
$f_{\theta}$ `f_theta`	《跨模态预训练》“双塔编码器在共同空间比较”中 f 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$	A08 · 跨模态对齐与预训练迁移
$f_{\theta}$ `f_theta`	《表示学习目标》“重构目标保留输入，未必保留任务”中 f 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$	A08 · 表示学习目标、相似度与不变性 · 共 3 处 A08 · 表示学习目标、相似度与不变性 · 正文位置 1 A08 · 表示学习目标、相似度与不变性 · 正文位置 2 A08 · 表示学习目标、相似度与不变性 · 正文位置 3
$f_{\theta}$ `f_theta`	《归一化流》“用双射搬运概率质量”中 f 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$	A09 · 正规化流与可逆变换 · 共 2 处 A09 · 正规化流与可逆变换 · 正文位置 1 A09 · 正规化流与可逆变换 · 正文位置 2
$f_{\theta}$ `f_theta`	《视觉语言模型》“图像和文本先映射到同一比较空间”中 f 的下标 theta 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 theta 的取值范围以该公式邻近定义和求和范围为准。	无别名易混淆： $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$ 、 $f_{\theta}$	A12 · 视觉语言对齐与多模态生成
$g$ `g`	《调度与二阶方法》“Hessian 描述局部曲率”中记作 g 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 g 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$	A05 · 学习率调度与二阶近似 · 共 4 处 A05 · 学习率调度与二阶近似 · 正文位置 1 A05 · 学习率调度与二阶近似 · 正文位置 2 A05 · 学习率调度与二阶近似 · 正文位置 3 A05 · 学习率调度与二阶近似 · 正文位置 4
$g$ `g`	《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中记作 g 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 g 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$	A07 · 长序列、效率与 Transformer 综合复习
$g$ `g`	《谱图与几何学习》“多项式滤波把谱定义变成局部稀疏计算”中记作 g 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 g 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$	A11 · 谱图方法与流形学习 · 共 4 处 A11 · 谱图方法与流形学习 · 正文位置 1 A11 · 谱图方法与流形学习 · 正文位置 2 A11 · 谱图方法与流形学习 · 正文位置 3 A11 · 谱图方法与流形学习 · 正文位置 4
$g$ `g`	《工具、记忆与规划》“把智能体写成受约束状态循环”中记作 g 的等号右侧的输入量或系数	机器学习 · 神经网络	由上下文确定；符号 g 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$ 、 $g$	A12 · 工具调用、记忆与任务规划
$G$ `G`	《生成对抗学习》“非饱和损失改变梯度而不改变目标平衡点”中记作 G 的等号左侧的目标量	机器学习 · 神经网络	由上下文确定；符号 G 仅按该公式锚点给出的对象类型、取值域与维度解释。	无别名易混淆： $G$ 、 $G$ 、 $G$ 、 $G$ 、 $G$	A09 · 生成对抗网络与散度最小化 · 共 3 处 A09 · 生成对抗网络与散度最小化 · 正文位置 1 A09 · 生成对抗网络与散度最小化 · 正文位置 2 A09 · 生成对抗网络与散度最小化 · 正文位置 3