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
$L$ `L`	《调度与二阶方法》“Hessian 描述局部曲率”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： $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$	A05 · 学习率调度与二阶近似 · 共 6 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 A05 · 学习率调度与二阶近似 · 正文位置 5 A05 · 学习率调度与二阶近似 · 正文位置 6
$L$ `L`	《表示学习目标》“重构目标保留输入，未必保留任务”中记作 L 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 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： $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$	A08 · 表示学习目标、相似度与不变性 · 共 2 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
$L$ `L`	《图与图信号》“平滑是局部算子，不是证明标签相同”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： $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$	A11 · 图、图信号与节点表示 · 共 6 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 A11 · 图、图信号与节点表示 · 正文位置 3 A11 · 图、图信号与节点表示 · 正文位置 4 A11 · 图、图信号与节点表示 · 正文位置 5 A11 · 图、图信号与节点表示 · 正文位置 6
$L$ `L`	《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 L 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 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： $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$ 、 $L$	A11 · 谱图方法与流形学习 · 共 10 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 A11 · 谱图方法与流形学习 · 正文位置 5 A11 · 谱图方法与流形学习 · 正文位置 6 A11 · 谱图方法与流形学习 · 正文位置 7 A11 · 谱图方法与流形学习 · 正文位置 8 A11 · 谱图方法与流形学习 · 正文位置 9 A11 · 谱图方法与流形学习 · 正文位置 10
$L$ `L_`	《图像分割》“像素交叉熵适合互斥类别”中记作 L_ 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 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： $L$ 、 $L$ 、 $L$	A06 · 语义分割、实例分割与密集预测
$L$ `L_`	《变分自编码器》“从边缘似然推导证据下界”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： $L$ 、 $L$ 、 $L$	A09 · 变分自编码器与证据下界 · 共 2 处 A09 · 变分自编码器与证据下界 · 正文位置 1 A09 · 变分自编码器与证据下界 · 正文位置 2
$L$ `L_`	《指令适配与偏好优化》“监督指令微调学习示范条件分布”中记作 L_ 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 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： $L$ 、 $L$ 、 $L$	A12 · 指令微调、偏好优化与上下文学习 · 共 2 处 A12 · 指令微调、偏好优化与上下文学习 · 正文位置 1 A12 · 指令微调、偏好优化与上下文学习 · 正文位置 2
$L$ `L_`	《对齐目标与奖励建模》“监督示范学习条件分布”中记作 L_ 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 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： $L$ 、 $L$ 、 $L$	A13 · 对齐目标、反馈与奖励建模 · 共 2 处 A13 · 对齐目标、反馈与奖励建模 · 正文位置 1 A13 · 对齐目标、反馈与奖励建模 · 正文位置 2
$L_{G}$ `L_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 L 的下标 G 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 G 的取值范围以该公式邻近定义和求和范围为准。	无别名	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
$\lambda_{K}$ `lambda_K`	《可微分物理》“反向伴随递推”中 lambda 的下标 K 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 K 的取值范围以该公式邻近定义和求和范围为准。	无别名	A14 · 可微物理、自动微分与守恒约束
$m$ `m`	《计算图》“局部 Jacobian 是节点接口”中记作 m 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 m 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： $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$ 、 $m$	A04 · 计算图、链式法则与局部导数 · 共 3 处 A04 · 计算图、链式法则与局部导数 · 正文位置 1 A04 · 计算图、链式法则与局部导数 · 正文位置 2 A04 · 计算图、链式法则与局部导数 · 正文位置 3
$m_{i}$ `m_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 m 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： $m_{i}$ 、 $m_{i}$ 、 $m_{i}$	A11 · 表达能力、过平滑与几何学习综合复习
$m_{i}$ `m_i`	《图生成与图动力学》“动态图把整个图作为状态”中 m 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： $m_{i}$ 、 $m_{i}$ 、 $m_{i}$	A11 · 图生成、图动力学与物理系统
$m_{ij}$ `m_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 m 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： $m_{ij}$	A11 · 表达能力、过平滑与几何学习综合复习 · 共 2 处 A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1 A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
$m_{ij}$ `m_ij`	《图生成与图动力学》“动态图把整个图作为状态”中 m 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： $m_{ij}$	A11 · 图生成、图动力学与物理系统
$m_{t}$ `m_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 m 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
$\mu_{S}$ `mu_S`	《归一化与尺度》“一个通用标准化模板”中 mu 的下标 S 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 S 的取值范围以该公式邻近定义和求和范围为准。	无别名	A05 · 归一化方法与尺度控制
$n$ `n`	《计算图》“局部 Jacobian 是节点接口”中记作 n 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 n 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： $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$	A04 · 计算图、链式法则与局部导数
$n$ `n`	《表示学习综合复习》“表示坍塌需要多种证据”中记作 n 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 n 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： $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$ 、 $n$	A08 · 表示质量、坍塌与自监督学习综合复习
$N$ `N`	《计算机视觉综合复习》“例 4：为工业缺陷实例掩码比较三个方案”中记作 N 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 N 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： $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$	A06 · 几何、数据偏差与计算机视觉综合复习
$N$ `N`	《视觉 Transformer》“从二维网格到标记序列”中记作 N 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 N 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： $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$	A06 · 视觉 Transformer 与混合架构 · 共 3 处 A06 · 视觉 Transformer 与混合架构 · 正文位置 1 A06 · 视觉 Transformer 与混合架构 · 正文位置 2 A06 · 视觉 Transformer 与混合架构 · 正文位置 3
$N$ `N`	《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 N 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 N 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： $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$	A11 · 表达能力、过平滑与几何学习综合复习 · 共 2 处 A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 1 A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 2
$N$ `N`	《图生成与图动力学》“动态图把整个图作为状态”中记作 N 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 N 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： $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$	A11 · 图生成、图动力学与物理系统
$N$ `N`	《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 N 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 N 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： $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$ 、 $N$	A12 · 系统评估、故障模式与智能体综合复习
$n$ `n_`	《初始化与梯度流》“仿射层前向方差来自扇入求和”中记作 n_ 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 n_ 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	A04 · 参数初始化与梯度传播 · 共 3 处 A04 · 参数初始化与梯度传播 · 正文位置 1 A04 · 参数初始化与梯度传播 · 正文位置 2 A04 · 参数初始化与梯度传播 · 正文位置 3
$N_{k}$ `N_k`	《多头与位置表示》“先固定四条轴”中 N 的下标 k 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 k 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 7 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 A07 · 多头注意力与位置表示 · 正文位置 6 A07 · 多头注意力与位置表示 · 正文位置 7
$N_{q}$ `N_q`	《多头与位置表示》“先固定四条轴”中 N 的下标 q 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 q 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 7 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 A07 · 多头注意力与位置表示 · 正文位置 6 A07 · 多头注意力与位置表示 · 正文位置 7
$o_{t}$ `o_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 o 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
$\Omega$ `Omega`	《PINN》“用网络表示未知解”中记作 Omega 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 Omega 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： $\Omega$ 、 $\Omega$ 、 $\Omega$	A14 · 物理信息神经网络与残差训练
$p$ `p`	《调度与二阶方法》“Hessian 描述局部曲率”中记作 p 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 p 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： $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$	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
$p$ `p`	《视觉 Transformer》“从二维网格到标记序列”中记作 p 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 p 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： $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$	A06 · 视觉 Transformer 与混合架构 · 共 2 处 A06 · 视觉 Transformer 与混合架构 · 正文位置 1 A06 · 视觉 Transformer 与混合架构 · 正文位置 2
$p$ `p`	《自回归生成》“用链式法则把联合分布拆成一步步预测”中记作 p 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 p 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： $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$	A09 · 自回归生成与序列似然 · 共 5 处 A09 · 自回归生成与序列似然 · 正文位置 1 A09 · 自回归生成与序列似然 · 正文位置 2 A09 · 自回归生成与序列似然 · 正文位置 3 A09 · 自回归生成与序列似然 · 正文位置 4 A09 · 自回归生成与序列似然 · 正文位置 5
$p$ `p`	《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 p 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 p 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： $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$ 、 $p$	A13 · 鲁棒性、对抗攻击与防御评估
$P_{h}$ `P_h`	《视觉 Transformer》“从二维网格到标记序列”中 P 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	A06 · 视觉 Transformer 与混合架构
$p_{iy}$ `p_iy_i`	《图像分割》“像素交叉熵适合互斥类别”中 p 的下标 iy 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 iy 的取值范围以该公式邻近定义和求和范围为准。	无别名	A06 · 语义分割、实例分割与密集预测
$p_{\phi}$ `p_phi`	《表示学习目标》“重构目标保留输入，未必保留任务”中 p 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	A08 · 表示学习目标、相似度与不变性
$p_{t}$ `p_t`	《工具、记忆与规划》“把智能体写成受约束状态循环”中 p 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
$p_{\theta}$ `p_theta`	《序列训练与解码》“自回归似然来自概率链式法则”中 p 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： $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$	A07 · 序列损失、教师强制与解码
$p_{\theta}$ `p_theta`	《掩码预测》“离散词元目标使用条件分类”中 p 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： $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$	A08 · 掩码预测与上下文建模 · 共 2 处 A08 · 掩码预测与上下文建模 · 正文位置 1 A08 · 掩码预测与上下文建模 · 正文位置 2
$p_{\theta}$ `p_theta`	《生成模型综合复习》“显式密度与隐式生成回答不同问题”中 p 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： $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$	A09 · 生成质量、覆盖与生成模型综合复习 · 共 3 处 A09 · 生成质量、覆盖与生成模型综合复习 · 正文位置 1 A09 · 生成质量、覆盖与生成模型综合复习 · 正文位置 2 A09 · 生成质量、覆盖与生成模型综合复习 · 正文位置 3
$p_{\theta}$ `p_theta`	《变分自编码器》“从边缘似然推导证据下界”中 p 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： $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$	A09 · 变分自编码器与证据下界 · 共 8 处 A09 · 变分自编码器与证据下界 · 正文位置 1 A09 · 变分自编码器与证据下界 · 正文位置 2 A09 · 变分自编码器与证据下界 · 正文位置 3 A09 · 变分自编码器与证据下界 · 正文位置 4 A09 · 变分自编码器与证据下界 · 正文位置 5 A09 · 变分自编码器与证据下界 · 正文位置 6 A09 · 变分自编码器与证据下界 · 正文位置 7 A09 · 变分自编码器与证据下界 · 正文位置 8
$p_{\theta}$ `p_theta`	《语言建模与规模规律》“因果语言建模是逐位置条件似然”中 p 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： $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$ 、 $p_{\theta}$	A12 · 语言建模、tokenization 与规模规律
$P_{w}$ `P_w`	《视觉 Transformer》“从二维网格到标记序列”中 P 的下标 w 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 w 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
$p_{X}$ `p_X`	《归一化流》“用双射搬运概率质量”中 p 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。	无别名易混淆： $p_{X}$ 、 $p_{X}$	A09 · 正规化流与可逆变换 · 共 4 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 A09 · 正规化流与可逆变换 · 正文位置 3 A09 · 正规化流与可逆变换 · 正文位置 4
$p_{Z}$ `p_Z`	《归一化流》“用双射搬运概率质量”中 p 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	A09 · 正规化流与可逆变换 · 共 5 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 A09 · 正规化流与可逆变换 · 正文位置 3 A09 · 正规化流与可逆变换 · 正文位置 4 A09 · 正规化流与可逆变换 · 正文位置 5
$\phi$ `phi`	《神经网络反传复习》“形状账本在数值计算之前”中记作 phi 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 phi 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： $\phi$ 、 $\phi$ 、 $\phi$ 、 $\phi$ 、 $\phi$	A04 · 神经网络与反向传播综合复习 · 共 2 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
$\phi$ `phi`	《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 phi 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 phi 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： $\phi$ 、 $\phi$ 、 $\phi$ 、 $\phi$ 、 $\phi$	A07 · 长序列、效率与 Transformer 综合复习
$\phi_{e}$ `phi_e`	《图生成与图动力学》“动态图把整个图作为状态”中 phi 的下标 e 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 e 的取值范围以该公式邻近定义和求和范围为准。	无别名	A11 · 图生成、图动力学与物理系统
$\phi_{i}$ `phi_i`	《特征归因与反事实》“Shapley 值按所有加入顺序平均边际贡献”中 phi 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	A13 · 特征归因、显著性与反事实
$\phi_{m}$ `phi_m`	《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 phi 的下标 m 分量或状态量	机器学习 · 神经网络	由上下文确定；下标 m 的取值范围以该公式邻近定义和求和范围为准。	无别名	A11 · 表达能力、过平滑与几何学习综合复习