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
UhU_{h}U_h《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 U 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
uiu_{i}u_i《表示学习综合复习》“表示坍塌需要多种证据”中 u 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A08 · 表示质量、坍塌与自监督学习综合复习
uju_{j}u_j《度量学习》“距离、相似度与排序方向”中 u 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 · 度量学习、孪生网络与三元组损失
umu_{m}u_m《DeepONet》“学习对象是函数到函数的映射”中 u 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
A14 · DeepONet 与算子逼近 · 共 2 处
  1. A14 · DeepONet 与算子逼近 · 正文位置 1
  2. A14 · DeepONet 与算子逼近 · 正文位置 2
UrhU_{rh}U_rh《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 U 的下标 rh 分量或状态量机器学习 · 神经网络由上下文确定；下标 rh 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
utu_{t}u_t《PINN》“用网络表示未知解”中 u 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：utu_{t}、utu_{t}
A14 · 物理信息神经网络与残差训练 · 共 4 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
  4. A14 · 物理信息神经网络与残差训练 · 正文位置 4
uxxu_{xx}u_xx《PINN》“用网络表示未知解”中 u 的下标 xx 分量或状态量机器学习 · 神经网络由上下文确定；下标 xx 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：uxxu_{xx}、uxxu_{xx}
A14 · 物理信息神经网络与残差训练 · 共 4 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
  4. A14 · 物理信息神经网络与残差训练 · 正文位置 4
UzhU_{zh}U_zh《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 U 的下标 zh 分量或状态量机器学习 · 神经网络由上下文确定；下标 zh 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
vvv《掩码预测》“离散词元目标使用条件分类”中记作 v 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 v 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：vv、vv、vv、v\mathbf{v}、vv、vv、vv、vv、vv、vv、vv、vv、vv、vvA08 · 掩码预测与上下文建模
vvv《度量学习》“距离、相似度与排序方向”中记作 v 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 v 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：vv、vv、vv、v\mathbf{v}、vv、vv、vv、vv、vv、vv、vv、vv、vv、vv
A08 · 度量学习、孪生网络与三元组损失 · 共 2 处
  1. A08 · 度量学习、孪生网络与三元组损失 · 正文位置 1
  2. A08 · 度量学习、孪生网络与三元组损失 · 正文位置 2
vvv《视觉语言模型》“图像和文本先映射到同一比较空间”中记作 v 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 v 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：vv、vv、vv、v\mathbf{v}、vv、vv、vv、vv、vv、vv、vv、vv、vv、vv
A12 · 视觉语言对齐与多模态生成 · 共 2 处
  1. A12 · 视觉语言对齐与多模态生成 · 正文位置 1
  2. A12 · 视觉语言对齐与多模态生成 · 正文位置 2
vvv《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 v 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 v 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：vv、vv、vv、v\mathbf{v}、vv、vv、vv、vv、vv、vv、vv、vv、vv、vv
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
VVV注意力层的值矩阵机器学习 · 神经网络由上下文确定；该含义限定于《图像分割》“像素交叉熵适合互斥类别”及其相邻推导。无别名易混淆：VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VVA06 · 语义分割、实例分割与密集预测
VVV注意力层的值矩阵机器学习 · 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：VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV
A07 · 多头注意力与位置表示 · 共 5 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
  5. A07 · 多头注意力与位置表示 · 正文位置 5
VVV注意力层的值矩阵机器学习 · 神经网络由上下文确定；该含义限定于《掩码预测》“离散词元目标使用条件分类”及其相邻推导。无别名易混淆：VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VVA08 · 掩码预测与上下文建模
VVV注意力值矩阵机器学习 · 神经网络由上下文确定无别名易混淆：VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV、VV
A07 · 缩放点积注意力与掩码 · 共 31 处
  1. A07 · 缩放点积注意力与掩码 · 正文位置 1
  2. A14 · DeepONet 与算子逼近 · 正文位置 2
  3. A07 · 缩放点积注意力与掩码 · 正文位置 3
  4. A07 · 缩放点积注意力与掩码 · 正文位置 4
  5. A07 · 缩放点积注意力与掩码 · 正文位置 5
  6. A07 · 缩放点积注意力与掩码 · 正文位置 6
  7. A07 · 缩放点积注意力与掩码 · 正文位置 7
  8. A07 · 缩放点积注意力与掩码 · 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. A09 · 自回归生成与序列似然 · 正文位置 13
  14. A09 · 生成对抗网络与散度最小化 · 正文位置 14
  15. A09 · 生成对抗网络与散度最小化 · 正文位置 15
  16. A09 · 生成对抗网络与散度最小化 · 正文位置 16
  17. A11 · 表达能力、过平滑与几何学习综合复习 · 正文位置 17
  18. A11 · 图生成、图动力学与物理系统 · 正文位置 18
  19. A11 · 图生成、图动力学与物理系统 · 正文位置 19
  20. A11 · 图、图信号与节点表示 · 正文位置 20
  21. A08 · 掩码预测与上下文建模 · 正文位置 21
  22. A11 · 消息传递与图卷积 · 正文位置 22
  23. A07 · 多头注意力与位置表示 · 正文位置 23
  24. A07 · 多头注意力与位置表示 · 正文位置 24
  25. A07 · 多头注意力与位置表示 · 正文位置 25
  26. A07 · 多头注意力与位置表示 · 正文位置 26
  27. A07 · 多头注意力与位置表示 · 正文位置 27
  28. A08 · 跨模态对齐与预训练迁移 · 正文位置 28
  29. A08 · 跨模态对齐与预训练迁移 · 正文位置 29
  30. A06 · 语义分割、实例分割与密集预测 · 正文位置 30
  31. A06 · 视觉 Transformer 与混合架构 · 正文位置 31
vℓv_{\ell}v_ell《神经算子》“核积分层统一局部与非局部交互”中 v 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
vℓ+1v_{\ell+1}v_ell+1《神经算子》“核积分层统一局部与非局部交互”中 v 的下标 ell+1 分量或状态量机器学习 · 神经网络由上下文确定；下标 ell+1 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
vjv_{j}v_j《度量学习》“距离、相似度与排序方向”中 v 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 · 度量学习、孪生网络与三元组损失
vSv_{S}v_S《归一化与尺度》“一个通用标准化模板”中 v 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
ε\varepsilonvarepsilon《正则化与增强》“标签平滑改变监督目标”中记作 varepsilon 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 varepsilon 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：ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilonA05 · 正则化、数据增强与早停
ε\varepsilonvarepsilon《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 varepsilon 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 varepsilon 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：ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon
A13 · 鲁棒性、对抗攻击与防御评估 · 共 5 处
  1. A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 1
  2. A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 2
  3. A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 3
  4. A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 4
  5. A13 · 鲁棒性、对抗攻击与防御评估 · 正文位置 5
ε\varepsilonvarepsilon《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 varepsilon 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 varepsilon 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：ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilon、ε\varepsilonA14 · 基准、外推边界与科学机器学习综合复习
vJfvJ_{f}vJ_f《反向传播》“向量—Jacobian 乘积”中 vJ 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 · 反向传播与反向模式自动微分
www《感知机与多层感知机》“带间隔的线性可分”中记作 w 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 w 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：ww、ww、ww、ww、ww、ww、ww
A04 · 感知机与多层感知器 · 共 7 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
  3. A04 · 感知机与多层感知器 · 正文位置 3
  4. A04 · 感知机与多层感知器 · 正文位置 4
  5. A04 · 感知机与多层感知器 · 正文位置 5
  6. A04 · 感知机与多层感知器 · 正文位置 6
  7. A04 · 感知机与多层感知器 · 正文位置 7
www《目标检测》“框参数化必须可逆”中记作 w 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 w 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：ww、ww、ww、ww、ww、ww、wwA06 · 目标检测与多尺度特征
www《掩码预测》“离散词元目标使用条件分类”中记作 w 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 w 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：ww、ww、ww、ww、ww、ww、wwA08 · 掩码预测与上下文建模
WWW《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 W 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 W 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：WW、WW、WW、WW、WW
A05 · 混合精度、分布式训练与检查点 · 共 3 处
  1. A05 · 混合精度、分布式训练与检查点 · 正文位置 1
  2. A05 · 混合精度、分布式训练与检查点 · 正文位置 2
  3. A05 · 混合精度、分布式训练与检查点 · 正文位置 3
WWW《卷积网络架构》“下采样建立层级，也会丢失信息”中记作 W 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 W 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：WW、WW、WW、WW、WWA06 · 卷积网络架构与残差连接
WWW《视觉 Transformer》“从二维网格到标记序列”中记作 W 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 W 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：WW、WW、WW、WW、WWA06 · 视觉 Transformer 与混合架构
WWW《消息传递神经网络》“GCN 是一种度归一化线性消息”中记作 W 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 W 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：WW、WW、WW、WW、WW
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
WWW《机制可解释性》“线性探针测量可解码性”中记作 W 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 W 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：WW、WW、WW、WW、WWA13 · 表示探测与机制可解释性
w1Tw_{1T}w_1T《语言建模与规模规律》“因果语言建模是逐位置条件似然”中 w 的下标 1T 分量或状态量机器学习 · 神经网络由上下文确定；下标 1T 的取值范围以该公式邻近定义和求和范围为准。无别名A12 · 语言建模、tokenization 与规模规律
W1xW_{1x}W_1x《Transformer架构》“编码器块让每个有效位置读取双向上下文”中 W 的下标 1x 分量或状态量机器学习 · 神经网络由上下文确定；下标 1x 的取值范围以该公式邻近定义和求和范围为准。无别名A07 · 编码器、解码器与 Transformer 架构
W2phiW_{2phi}W_2phi《Transformer架构》“编码器块让每个有效位置读取双向上下文”中 W 的下标 2phi 分量或状态量机器学习 · 神经网络由上下文确定；下标 2phi 的取值范围以该公式邻近定义和求和范围为准。无别名A07 · 编码器、解码器与 Transformer 架构
WℓW_{\ell}W_ell《神经算子》“核积分层统一局部与非局部交互”中 W 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
WhhW_{hh}W_hh《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中 W 的下标 hh 分量或状态量机器学习 · 神经网络由上下文确定；下标 hh 的取值范围以该公式邻近定义和求和范围为准。无别名A07 · 长序列、效率与 Transformer 综合复习
WhxW_{hx}W_hx《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 W 的下标 hx 分量或状态量机器学习 · 神经网络由上下文确定；下标 hx 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
WIhW_{Ih}W_Ih《跨模态预训练》“双塔编码器在共同空间比较”中 W 的下标 Ih 分量或状态量机器学习 · 神经网络由上下文确定；下标 Ih 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
WjiW_{ji}W_ji《初始化与梯度流》“仿射层前向方差来自扇入求和”中 W 的下标 ji 分量或状态量机器学习 · 神经网络由上下文确定；下标 ji 的取值范围以该公式邻近定义和求和范围为准。无别名A04 · 参数初始化与梯度传播
WpW_{p}W_p《视觉 Transformer》“从二维网格到标记序列”中 W 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
WrxW_{rx}W_rx《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 W 的下标 rx 分量或状态量机器学习 · 神经网络由上下文确定；下标 rx 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
wtw_{t}w_t《语言建模与规模规律》“因果语言建模是逐位置条件似然”中 w 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 · 语言建模、tokenization 与规模规律
WThW_{Th}W_Th《跨模态预训练》“双塔编码器在共同空间比较”中 W 的下标 Th 分量或状态量机器学习 · 神经网络由上下文确定；下标 Th 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
WxxW_{xx}W_xx《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中 W 的下标 xx 分量或状态量机器学习 · 神经网络由上下文确定；下标 xx 的取值范围以该公式邻近定义和求和范围为准。无别名A07 · 长序列、效率与 Transformer 综合复习
WyhW_{yh}W_yh《序列模型综合复习》“普通RNN把历史压进固定宽度状态”中 W 的下标 yh 分量或状态量机器学习 · 神经网络由上下文确定；下标 yh 的取值范围以该公式邻近定义和求和范围为准。无别名A07 · 长序列、效率与 Transformer 综合复习
WzxW_{zx}W_zx《循环网络与门控》“GRU 用两道门直接混合隐藏状态”中 W 的下标 zx 分量或状态量机器学习 · 神经网络由上下文确定；下标 zx 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
xxx《反向传播》“向量—Jacobian 乘积”中记作 x 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 x 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：xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、x\mathbf{x}
A04 · 反向传播与反向模式自动微分 · 共 8 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
xxx《计算图》“局部 Jacobian 是节点接口”中记作 x 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 x 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：xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、x\mathbf{x}
A04 · 计算图、链式法则与局部导数 · 共 7 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
  4. A04 · 计算图、链式法则与局部导数 · 正文位置 4
  5. A04 · 计算图、链式法则与局部导数 · 正文位置 5
  6. A04 · 计算图、链式法则与局部导数 · 正文位置 6
  7. A04 · 计算图、链式法则与局部导数 · 正文位置 7
xxx《卷积算子》“平移等变与不变不是一回事”中记作 x 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 x 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：xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、xx、x\mathbf{x}
A06 · 离散卷积、感受野与参数共享 · 共 3 处
  1. A06 · 离散卷积、感受野与参数共享 · 正文位置 1
  2. A06 · 离散卷积、感受野与参数共享 · 正文位置 2
  3. A06 · 离散卷积、感受野与参数共享 · 正文位置 3