One Forth

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。

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
gϕg_{\phi}g_phi《跨模态预训练》“双塔编码器在共同空间比较”中 g 的下标 phi 分量或状态量机器学习 · 神经网络由上下文确定；下标 phi 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：gϕg_{\phi}A08 · 跨模态对齐与预训练迁移
gϕg_{\phi}g_phi《视觉语言模型》“图像和文本先映射到同一比较空间”中 g 的下标 phi 分量或状态量机器学习 · 神经网络由上下文确定；下标 phi 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：gϕg_{\phi}A12 · 视觉语言对齐与多模态生成
γ\gammagamma《感知机与多层感知机》“带间隔的线性可分”中记作 gamma 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 gamma 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：γ\gamma、γ\gamma、γ\gamma、γ\gamma、γ\gamma、γ\gamma、γ\gamma、γ\gamma、γ\gamma
A04 · 感知机与多层感知器 · 共 2 处
  1. A04 · 感知机与多层感知器 · 正文位置 1
  2. A04 · 感知机与多层感知器 · 正文位置 2
hhh《目标检测》“框参数化必须可逆”中记作 h 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 h 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：hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hhA06 · 目标检测与多尺度特征
hhh《机制可解释性》“线性探针测量可解码性”中记作 h 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 h 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：hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hh、hh
A13 · 表示探测与机制可解释性 · 共 4 处
  1. A13 · 表示探测与机制可解释性 · 正文位置 1
  2. A13 · 表示探测与机制可解释性 · 正文位置 2
  3. A13 · 表示探测与机制可解释性 · 正文位置 3
  4. A13 · 表示探测与机制可解释性 · 正文位置 4
HHH《调度与二阶方法》“Hessian 描述局部曲率”中记作 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH
A05 · 学习率调度与二阶近似 · 共 5 处
  1. A05 · 学习率调度与二阶近似 · 正文位置 1
  2. A05 · 学习率调度与二阶近似 · 正文位置 2
  3. A05 · 学习率调度与二阶近似 · 正文位置 3
  4. A05 · 学习率调度与二阶近似 · 正文位置 4
  5. A05 · 学习率调度与二阶近似 · 正文位置 5
HHH《卷积网络架构》“下采样建立层级，也会丢失信息”中记作 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HHA06 · 卷积网络架构与残差连接
HHH《视觉 Transformer》“从二维网格到标记序列”中记作 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HHA06 · 视觉 Transformer 与混合架构
HHH《多头与位置表示》“先固定四条轴”中记作 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH
A07 · 多头注意力与位置表示 · 共 4 处
  1. A07 · 多头注意力与位置表示 · 正文位置 1
  2. A07 · 多头注意力与位置表示 · 正文位置 2
  3. A07 · 多头注意力与位置表示 · 正文位置 3
  4. A07 · 多头注意力与位置表示 · 正文位置 4
HHH《消息传递神经网络》“GCN 是一种度归一化线性消息”中记作 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH
A11 · 消息传递与图卷积 · 共 2 处
  1. A11 · 消息传递与图卷积 · 正文位置 1
  2. A11 · 消息传递与图卷积 · 正文位置 2
HHH《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 H 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 H 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：HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HH、HHA14 · 基准、外推边界与科学机器学习综合复习
hih_{i}h_i《跨模态预训练》“双塔编码器在共同空间比较”中 h 的下标 i 分量或状态量机器学习 · 神经网络由上下文确定；下标 i 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：hih_{i}、hih_{i}A08 · 跨模态对齐与预训练迁移
hih_{i}h_i《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 h 的下标 i 分量或状态量机器学习 · 神经网络由上下文确定；下标 i 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：hih_{i}、hih_{i}
A11 · 表达能力、过平滑与几何学习综合复习 · 共 3 处
  1. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1
  2. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
  3. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 3
hih_{i}h_i《图生成与图动力学》“动态图把整个图作为状态”中 h 的下标 i 分量或状态量机器学习 · 神经网络由上下文确定；下标 i 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：hih_{i}、hih_{i}A11 · 图生成、图动力学与物理系统
hjh_{j}h_j《跨模态预训练》“双塔编码器在共同空间比较”中 h 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：hjh_{j}、hjh_{j}、hjh_{j}、hjh_{j}A08 · 跨模态对齐与预训练迁移
hjh_{j}h_j《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 h 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：hjh_{j}、hjh_{j}、hjh_{j}、hjh_{j}
A11 · 表达能力、过平滑与几何学习综合复习 · 共 2 处
  1. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1
  2. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
hjh_{j}h_j《图生成与图动力学》“动态图把整个图作为状态”中 h 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：hjh_{j}、hjh_{j}、hjh_{j}、hjh_{j}A11 · 图生成、图动力学与物理系统
HpH_{p}H_p《视觉 Transformer》“从二维网格到标记序列”中 H 的下标 p 分量或状态量机器学习 · 神经网络由上下文确定；下标 p 的取值范围以该公式邻近定义和求和范围为准。无别名A06 · 视觉 Transformer 与混合架构
HpWH_{pW}H_pW《视觉 Transformer》“从二维网格到标记序列”中 H 的下标 pW 分量或状态量机器学习 · 神经网络由上下文确定；下标 pW 的取值范围以该公式邻近定义和求和范围为准。无别名A06 · 视觉 Transformer 与混合架构
hth_{t}h_t《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 h 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。无别名易混淆：hth_{t}
A07 · 循环网络、门控单元与状态传播 · 共 10 处
  1. A07 · 循环网络、门控单元与状态传播 · 正文位置 1
  2. A07 · 循环网络、门控单元与状态传播 · 正文位置 2
  3. A07 · 循环网络、门控单元与状态传播 · 正文位置 3
  4. A07 · 循环网络、门控单元与状态传播 · 正文位置 4
  5. A07 · 循环网络、门控单元与状态传播 · 正文位置 5
  6. A07 · 循环网络、门控单元与状态传播 · 正文位置 6
  7. A07 · 循环网络、门控单元与状态传播 · 正文位置 7
  8. A07 · 循环网络、门控单元与状态传播 · 正文位置 8
  9. A07 · 循环网络、门控单元与状态传播 · 正文位置 9
  10. A07 · 循环网络、门控单元与状态传播 · 正文位置 10
hth_{t}h_t《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中 h 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。无别名易混淆：hth_{t}
A07 · 长序列、效率与 Transformer 综合复习 · 共 4 处
  1. A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 1
  2. A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 2
  3. A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 3
  4. A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 4
ht−1h_{t-1}h_t-1《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 h 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
A07 · 循环网络、门控单元与状态传播 · 共 6 处
  1. A07 · 循环网络、门控单元与状态传播 · 正文位置 1
  2. A07 · 循环网络、门控单元与状态传播 · 正文位置 2
  3. A07 · 循环网络、门控单元与状态传播 · 正文位置 3
  4. A07 · 循环网络、门控单元与状态传播 · 正文位置 4
  5. A07 · 循环网络、门控单元与状态传播 · 正文位置 5
  6. A07 · 循环网络、门控单元与状态传播 · 正文位置 6
iii《初始化与梯度流》“仿射层前向方差来自扇入求和”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、iiA04 · 参数初始化与梯度传播
iii《归一化与尺度》“一个通用标准化模板”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、iiA05 · 归一化方法与尺度控制
iii《图像分割》“像素交叉熵适合互斥类别”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii
A06 · 语义分割、实例分割与密集预测 · 共 2 处
  1. A06 · 语义分割、实例分割与密集预测 · 正文位置 1
  2. A06 · 语义分割、实例分割与密集预测 · 正文位置 2
iii《掩码预测》“离散词元目标使用条件分类”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii
A08 · 掩码预测与上下文建模 · 共 3 处
  1. A08 · 掩码预测与上下文建模 · 正文位置 1
  2. A08 · 掩码预测与上下文建模 · 正文位置 2
  3. A08 · 掩码预测与上下文建模 · 正文位置 3
iii《跨模态预训练》“双塔编码器在共同空间比较”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii
A08 · 跨模态对齐与预训练迁移 · 共 2 处
  1. A08 · 跨模态对齐与预训练迁移 · 正文位置 1
  2. A08 · 跨模态对齐与预训练迁移 · 正文位置 2
iii《表示学习综合复习》“表示坍塌需要多种证据”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、iiA08 · 表示质量、坍塌与自监督学习综合复习
iii《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 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii
A11 · 表达能力、过平滑与几何学习综合复习 · 共 3 处
  1. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1
  2. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
  3. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 3
iii《图生成与图动力学》“动态图把整个图作为状态”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、iiA11 · 图生成、图动力学与物理系统
iii《大模型智能体综合复习》“端到端成功率设置关键门槛”中记作 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、iiA12 · 系统评估、故障模式与智能体综合复习
iii《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 i 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 i 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：ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii、ii
A13 · 特征归因、显著性与反事实 · 共 2 处
  1. A13 · 特征归因、显著性与反事实 · 正文位置 1
  2. A13 · 特征归因、显著性与反事实 · 正文位置 2
III《跨模态预训练》“双塔编码器在共同空间比较”中记作 I 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 I 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：II、II、II、II、II、II、II、II、II
A08 · 跨模态对齐与预训练迁移 · 共 2 处
  1. A08 · 跨模态对齐与预训练迁移 · 正文位置 1
  2. A08 · 跨模态对齐与预训练迁移 · 正文位置 2
III《视觉语言模型》“图像和文本先映射到同一比较空间”中记作 I 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 I 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：II、II、II、II、II、II、II、II、IIA12 · 视觉语言对齐与多模态生成
jjj《度量学习》“距离、相似度与排序方向”中记作 j 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 j 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：jj、jj、jj、jj、jj、jj、jj、jj、jj、jjA08 · 度量学习、孪生网络与三元组损失
jjj《跨模态预训练》“双塔编码器在共同空间比较”中记作 j 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 j 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：jj、jj、jj、jj、jj、jj、jj、jj、jj、jj
A08 · 跨模态对齐与预训练迁移 · 共 2 处
  1. A08 · 跨模态对齐与预训练迁移 · 正文位置 1
  2. A08 · 跨模态对齐与预训练迁移 · 正文位置 2
jjj《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 j 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 j 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：jj、jj、jj、jj、jj、jj、jj、jj、jj、jj
A11 · 表达能力、过平滑与几何学习综合复习 · 共 2 处
  1. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1
  2. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
jjj《图生成与图动力学》“动态图把整个图作为状态”中记作 j 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 j 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：jj、jj、jj、jj、jj、jj、jj、jj、jj、jj
A11 · 图生成、图动力学与物理系统 · 共 2 处
  1. A11 · 图生成、图动力学与物理系统 · 正文位置 1
  2. A11 · 图生成、图动力学与物理系统 · 正文位置 2
JJJ《归一化流》“用双射搬运概率质量”中记作 J 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 J 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：JJ、JJ
A09 · 正规化流与可逆变换 · 共 5 处
  1. A09 · 正规化流与可逆变换 · 正文位置 1
  2. A09 · 正规化流与可逆变换 · 正文位置 2
  3. A09 · 正规化流与可逆变换 · 正文位置 3
  4. A09 · 正规化流与可逆变换 · 正文位置 4
  5. A09 · 正规化流与可逆变换 · 正文位置 5
JfJ_{f}J_f《计算图》“局部 Jacobian 是节点接口”中 J 的下标 f 分量或状态量机器学习 · 神经网络由上下文确定；下标 f 的取值范围以该公式邻近定义和求和范围为准。无别名
A04 · 计算图、链式法则与局部导数 · 共 3 处
  1. A04 · 计算图、链式法则与局部导数 · 正文位置 1
  2. A04 · 计算图、链式法则与局部导数 · 正文位置 2
  3. A04 · 计算图、链式法则与局部导数 · 正文位置 3
kkk《正则化与增强》“标签平滑改变监督目标”中记作 k 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 k 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：kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kkA05 · 正则化、数据增强与早停
kkk《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 k 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 k 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：kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk
A11 · 谱图方法与流形学习 · 共 3 处
  1. A11 · 谱图方法与流形学习 · 正文位置 1
  2. A11 · 谱图方法与流形学习 · 正文位置 2
  3. A11 · 谱图方法与流形学习 · 正文位置 3
kkk《检索增强与落地》“稀疏检索和稠密检索利用不同匹配信号”中记作 k 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 k 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：kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk、kk
A12 · 检索增强、引用与事实落地 · 共 6 处
  1. A12 · 检索增强、引用与事实落地 · 正文位置 1
  2. A12 · 检索增强、引用与事实落地 · 正文位置 2
  3. A12 · 检索增强、引用与事实落地 · 正文位置 3
  4. A12 · 检索增强、引用与事实落地 · 正文位置 4
  5. A12 · 检索增强、引用与事实落地 · 正文位置 5
  6. A12 · 检索增强、引用与事实落地 · 正文位置 6
KKK注意力层的键矩阵机器学习 · 神经网络由上下文确定；该含义限定于《正则化与增强》“标签平滑改变监督目标”及其相邻推导。无别名易混淆：KK、KK、KK、KK、KK、KK、KKA05 · 正则化、数据增强与早停
KKK注意力层的键矩阵机器学习 · 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：KK、KK、KK、KK、KK、KK、KK
A07 · 多头注意力与位置表示 · 共 4 处
  1. A07 · 多头注意力与位置表示 · 正文位置 1
  2. A07 · 多头注意力与位置表示 · 正文位置 2
  3. A07 · 多头注意力与位置表示 · 正文位置 3
  4. A07 · 多头注意力与位置表示 · 正文位置 4
KKK注意力键矩阵机器学习 · 神经网络由上下文确定无别名易混淆：KK、KK、KK、KK、KK、KK、KK
A07 · 缩放点积注意力与掩码 · 共 41 处
  1. A07 · 缩放点积注意力与掩码 · 正文位置 1
  2. A14 · 可微物理、自动微分与守恒约束 · 正文位置 2
  3. A14 · 可微物理、自动微分与守恒约束 · 正文位置 3
  4. A14 · 可微物理、自动微分与守恒约束 · 正文位置 4
  5. A14 · 可微物理、自动微分与守恒约束 · 正文位置 5
  6. A14 · 逆问题、数据同化与不确定性 · 正文位置 6
  7. A14 · 逆问题、数据同化与不确定性 · 正文位置 7
  8. A14 · Fourier 神经算子与网格泛化 · 正文位置 8
  9. A07 · 缩放点积注意力与掩码 · 正文位置 9
  10. A07 · 缩放点积注意力与掩码 · 正文位置 10
  11. A07 · 缩放点积注意力与掩码 · 正文位置 11
  12. A07 · 缩放点积注意力与掩码 · 正文位置 12
  13. A07 · 缩放点积注意力与掩码 · 正文位置 13
  14. A07 · 缩放点积注意力与掩码 · 正文位置 14
  15. A07 · 缩放点积注意力与掩码 · 正文位置 15
  16. A07 · 缩放点积注意力与掩码 · 正文位置 16
  17. A07 · 缩放点积注意力与掩码 · 正文位置 17
  18. A07 · 缩放点积注意力与掩码 · 正文位置 18
  19. A13 · 校准、分布外检测与选择性预测 · 正文位置 19
  20. A06 · 卷积网络架构与残差连接 · 正文位置 20
  21. A06 · 离散卷积、感受野与参数共享 · 正文位置 21
  22. A06 · 离散卷积、感受野与参数共享 · 正文位置 22
  23. A06 · 离散卷积、感受野与参数共享 · 正文位置 23
  24. A06 · 离散卷积、感受野与参数共享 · 正文位置 24
  25. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 25
  26. A12 · 语言建模、tokenization 与规模规律 · 正文位置 26
  27. A07 · 多头注意力与位置表示 · 正文位置 27
  28. A07 · 多头注意力与位置表示 · 正文位置 28
  29. A07 · 多头注意力与位置表示 · 正文位置 29
  30. A07 · 多头注意力与位置表示 · 正文位置 30
  31. A04 · 神经网络与反向传播综合复习 · 正文位置 31
  32. A04 · 神经网络与反向传播综合复习 · 正文位置 32
  33. A09 · 正规化流与可逆变换 · 正文位置 33
  34. A09 · 正规化流与可逆变换 · 正文位置 34
  35. A09 · 正规化流与可逆变换 · 正文位置 35
  36. A05 · 正则化、数据增强与早停 · 正文位置 36
  37. A06 · 语义分割、实例分割与密集预测 · 正文位置 37
  38. A07 · 序列损失、教师强制与解码 · 正文位置 38
  39. A07 · 长序列、效率与 Transformer 综合复习 · 正文位置 39
  40. A11 · 谱图方法与流形学习 · 正文位置 40
  41. A06 · 视觉 Transformer 与混合架构 · 正文位置 41
κ\kappakappa《PINN》“用网络表示未知解”中记作 kappa 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 kappa 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：κ\kappa、κ\kappa、κ\kappa
A14 · 物理信息神经网络与残差训练 · 共 3 处
  1. A14 · 物理信息神经网络与残差训练 · 正文位置 1
  2. A14 · 物理信息神经网络与残差训练 · 正文位置 2
  3. A14 · 物理信息神经网络与残差训练 · 正文位置 3
κ\kappakappa《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 kappa 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 kappa 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：κ\kappa、κ\kappa、κ\kappa
A14 · 基准、外推边界与科学机器学习综合复习 · 共 8 处
  1. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 1
  2. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 2
  3. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 3
  4. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 4
  5. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 5
  6. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 6
  7. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 7
  8. A14 · 基准、外推边界与科学机器学习综合复习 · 正文位置 8
KckLKc_{kL}Kc_kL《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 Kc 的下标 kL 分量或状态量机器学习 · 神经网络由上下文确定；下标 kL 的取值范围以该公式邻近定义和求和范围为准。无别名A11 · 谱图方法与流形学习
LLL《反向传播》“向量—Jacobian 乘积”中记作 L 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 L 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：LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL、LL
A04 · 反向传播与反向模式自动微分 · 共 12 处
  1. A04 · 反向传播与反向模式自动微分 · 正文位置 1
  2. A04 · 反向传播与反向模式自动微分 · 正文位置 2
  3. A04 · 反向传播与反向模式自动微分 · 正文位置 3
  4. A04 · 反向传播与反向模式自动微分 · 正文位置 4
  5. A04 · 反向传播与反向模式自动微分 · 正文位置 5
  6. A04 · 反向传播与反向模式自动微分 · 正文位置 6
  7. A04 · 反向传播与反向模式自动微分 · 正文位置 7
  8. A04 · 反向传播与反向模式自动微分 · 正文位置 8
  9. A04 · 反向传播与反向模式自动微分 · 正文位置 9
  10. A04 · 反向传播与反向模式自动微分 · 正文位置 10
  11. A04 · 反向传播与反向模式自动微分 · 正文位置 11
  12. A04 · 反向传播与反向模式自动微分 · 正文位置 12