立体风

2026年8月29日

摘要： 1. 矩阵 $$h_{\text{fox}} = \begin{bmatrix} h_1 \\ h_2 \\ \vdots \\ h_{300} \end{bmatrix}$$ 在这段 Latex 代码中，每个带有反斜杠 \ 的词都是一个指令。以下是这段公式里各个符号和命令的详细拆解： 1. 环境与阅读全文

posted @ 2026-08-29 07:13 立体风阅读(15) 评论(0) 推荐(0)

Windows wsl 和前端

摘要：在 Windows 里写代码，在 WSL（Linux）里跑服务，之所以能顺畅通信，核心原理用一句话概括就是：微软在底层把这两套系统家的“大门”和“网络”偷偷打通了。我们可以把 Windows 想象成“客厅”，把 WSL 想象成“地下室”。这两个房间虽然是隔开的，但有一条专用通道相连。原理篇：它们阅读全文

posted @ 2026-08-29 06:44 立体风阅读(14) 评论(0) 推荐(0)

2026年8月28日

word2vec 学习计划一

摘要：目标我想以 word2vec 为神经网络学习起点，从数学原理到模型训练到模型推理的学习计划。计划如果你的目标不是“会调用 Word2Vec”，而是把 Word2Vec 当成真正理解神经网络的第一块基石，我非常赞成这个路线。因为 Word2Vec 足够小：一个 embedding 层、一个点积、阅读全文

posted @ 2026-08-28 22:23 立体风阅读(4) 评论(0) 推荐(0)

2026年8月27日

向量点积的定义、概念

摘要：向量点积（Dot Product），又称内积（Inner Product）或数量积（Scalar Product），是线性代数和几何学中最基础、也最重要的运算之一。要透彻理解点积，我们可以从代数定义、几何意义以及在AI中的核心应用三个维度来剖析。 1. 代数定义：数字层面的“对应相乘再求和” 在代阅读全文

posted @ 2026-08-27 16:57 立体风阅读(22) 评论(0) 推荐(0)

embedding 向量相似度公式 cosine similarity 的数学来源

摘要：把两个向量看成一个三角形的两条边，然后利用余弦定理计算第三条边的长度。 1. 先理解 $\vec a - \vec b $ 表示什么假设： \[\vec a=(a_x,a_y) \]\[\vec b=(b_x,b_y) \]把两个向量都放在坐标原点： A / / a / O B b 其中： (O) 阅读全文

posted @ 2026-08-27 14:23 立体风阅读(11) 评论(0) 推荐(0)

2026年8月26日

word2vec 简介

摘要：核心概念：Word2Vec 词向量模型 Word2Vec 是自然语言处理（NLP）领域的一项核心技术，用于获取词语的向量表示。这些向量基于“分布语义学”原理，通过词语周围的上下文来捕捉其语义信息。模型训练完成后，可用于寻找语义相似的词语，其生成的词嵌入（Embeddings）还可作为搜索引擎、文本分阅读全文

posted @ 2026-08-26 16:16 立体风阅读(10) 评论(0) 推荐(0)

word2vec 现代版

摘要： Word2vec 模型现在仍然存在，而且仍然可以使用。但是它在现代 NLP（自然语言处理）中的地位已经发生了变化： Word2vec 没有消失，它从“主流语言模型”退居为“基础词向量工具”。现在它主要用于学习 Embedding、教学、一些传统 NLP 任务和资源受限场景。(维基百科) 1. Wo 阅读全文

posted @ 2026-08-26 16:15 立体风阅读(13) 评论(0) 推荐(0)

"方向代表意义" 的出现历程

摘要：这是一个极其深刻且直指人工智能本质的问题。在探讨“方向代表意义”这一观点时，我们首先需要纠正一个极易产生的认知误区：科学家并不是先在黑板上推导出“方向代表意义”，然后据此设计了 Embedding；而是在试图让机器处理语言的漫长挣扎中，偶然发现高维向量空间中自然涌现出了这种几何规律，从而总结出“语阅读全文

posted @ 2026-08-26 16:07 立体风阅读(6) 评论(0) 推荐(0)

TF-IDF（词频-逆文档频率）的深度教学指南

摘要：这是一份关于 TF-IDF（词频-逆文档频率）的深度教学指南。在原有框架的基础上，我补充了工程实践中的关键细节、数学直觉的解析以及算法的局限性，力求使其成为一篇兼具理论深度与实战价值的技术文章。深度解析 TF-IDF：从文本统计到机器理解的基石在自然语言处理（NLP）和信息检索领域，计算机面临阅读全文

posted @ 2026-08-26 16:01 立体风阅读(5) 评论(0) 推荐(0)

神经网络相关的向量嵌入，语义理解

摘要：一、为什么神经网络需要“向量嵌入”（Embedding）？计算机最擅长处理数字。但是人类语言是： cat dog king queen apple 这些都是文字，计算机不能直接理解。所以第一步：把离散的符号（文字、图片、用户、商品等）转换成连续的数字向量。这个过程叫： \[\textbf{ 阅读全文

posted @ 2026-08-26 13:16 立体风阅读(8) 评论(0) 推荐(0)

公告