摘要：
在 PyTorch 的线性层（nn.Linear）中，权重矩阵的维度顺序可能与你手动计算时的直觉相反，这是导致你感到困惑的主要原因。我来解释一下这个现象背后的原理，并提供代码示例帮助你理解。 1. 为什么需要 "转置"？ 在数学中，线性变换通常表示为 y = Wx + b，其中： x 是输入向量（维 阅读全文
posted @ 2025-06-22 23:50
m516606428
阅读(138)
评论(0)
推荐(0)
摘要：
在深度学习中，线性层（全连接层）的权重初始化范围通常设置为 [-1/√n, 1/√n]，其中 n 是输入神经元的数量（例如你提到的 10）。这种初始化方法被称为 Xavier 初始化（也称为 Glorot 初始化），其目的是保持信号在神经网络中的方差一致性，避免梯度消失或爆炸。 为什么选择 1/√n 阅读全文
posted @ 2025-06-22 23:23
m516606428
阅读(27)
评论(0)
推荐(0)
摘要：
torch.nn.Module 是 PyTorch 中所有神经网络模块的基类，它封装了神经网络的核心功能，包括参数管理、前向传播、训练模式切换等。以下从三个维度解析其封装内容和使用价值： 一、nn.Module 封装了什么？ 1. 参数自动管理 nn.Parameter：将张量注册为模型参数，自动加 阅读全文
posted @ 2025-06-22 16:17
m516606428
阅读(49)
评论(0)
推荐(0)
摘要：
在代码实现上，BERT 的层数差异主要体现在Transformer 编码器堆叠的数量和参数规模上。以下通过 PyTorch 代码对比单层 BERT 和 12 层 BERT 的核心差异（为简化说明，省略部分非关键细节）： 一、核心结构对比 1. 单层 BERT（仅 1 个 Transformer 编码 阅读全文
posted @ 2025-06-22 16:15
m516606428
阅读(42)
评论(0)
推荐(0)
摘要：
“手撕 Transformer” 和 “手撕 BERT” 虽然都涉及手动实现深度学习模型，但二者在目标、复杂度、应用场景和技术细节上存在显著差异。以下从多个维度对比分析： 一、核心目标与应用场景 对比项手撕 Transformer手撕 BERT 本质 实现 Transformer 的基础架构（编码器 阅读全文
posted @ 2025-06-22 16:11
m516606428
阅读(66)
评论(0)
推荐(0)
摘要：
“手撕 Transformer” 通常指手动实现 Transformer 模型的核心代码（而非直接调用框架 API），这一过程对技术学习、研究和工程实践具有多重意义。以下从原理理解、技术提升、应用价值等维度展开分析： 一、深入理解深度学习核心原理 1. 解构 Transformer 的底层逻辑 Tr 阅读全文
posted @ 2025-06-22 16:07
m516606428
阅读(132)
评论(0)
推荐(0)
摘要：
以下是 Transformer 常见面试题及解析，覆盖基础原理、训练优化、应用实践等方向，帮你应对面试： 一、基础原理类 Transformer 为何用多头注意力？ 将输入特征拆分为多个子空间，每个头学习不同特征（如语法 / 语义），从多维度理解输入，提升模型表达力，避免单头 “视角局限”。 Q 和 阅读全文
posted @ 2025-06-22 16:03
m516606428
阅读(288)
评论(0)
推荐(0)
摘要：
这是关于BERT（Bidirectional Encoder Representations from Transformers）模型中 Encoder（编码器）结构的讲解内容，属于自然语言处理（NLP）领域的深度学习知识。 BERT 是基于 Transformer 架构的预训练模型，Encoder 阅读全文
posted @ 2025-06-22 16:00
m516606428
阅读(26)
评论(0)
推荐(0)
摘要：
在多头注意力机制里，Softmax 公式起着至关重要的作用，它是连接 K、Q、V 计算与最终注意力权重的桥梁。下面以通俗易懂的方式，结合之前的例子，为你讲解它们之间的关系： 一、Softmax 在注意力机制中的核心作用 Softmax 的本质：把一组 “得分” 转化为 “概率分布”，让所有概率的总和 阅读全文
posted @ 2025-06-22 15:55
m516606428
阅读(313)
评论(0)
推荐(0)
摘要：
多头注意力机制里的 K、Q、V，其实就像你在图书馆找书时的三个 “小助手”，而 “多头” 就像同时派好几拨小助手用不同角度找书，最后把大家的发现汇总起来～下面用大白话拆解它们的工作逻辑： 一、先搞懂 K、Q、V 是啥？—— 找书三要素 假设你要在图书馆找一本和 “人工智能” 相关的书，K、Q、V 可 阅读全文
posted @ 2025-06-22 15:53
m516606428
阅读(150)
评论(0)
推荐(0)
摘要：
在 Transformer 架构里，多头注意力机制是相当关键的部分，它能让模型从不同的表示子空间来捕捉特征。下面为你详细介绍其中的 K、Q、V 矩阵： 核心概念阐释 Query(Q)：它起着 “查询” 的作用，负责与键进行匹配，目的是找出需要关注的位置。 Key(K)：其功能是 “标识”，也就是为每 阅读全文
posted @ 2025-06-22 15:52
m516606428
阅读(131)
评论(0)
推荐(0)
摘要：
import torchimport torch.nn as nnimport torch.nn.functional as Fclass MultiHeadAttention(nn.Module): def __init__(self, embed_dim, num_heads, dropout= 阅读全文
posted @ 2025-06-22 15:50
m516606428
阅读(112)
评论(0)
推荐(0)
摘要：
这是 BERT 模型里 Self - Attention（自注意力）机制 的计算流程图，理解它就能懂 Transformer 核心逻辑！用大白话拆解每一步： 一、输入：L×h 的 X 是啥？ L：序列长度（一句话拆成多少个词 / 词元，比如 “你好中国” 拆成 3 个词，L=3 ）。 h：隐藏层维度 阅读全文
posted @ 2025-06-22 15:47
m516606428
阅读(118)
评论(0)
推荐(0)
摘要：
这是 BERT 模型里 Self - Attention（自注意力）机制 的计算流程图，理解它就能懂 Transformer 核心逻辑！用大白话拆解每一步： 一、输入：L×h 的 X 是啥？ L：序列长度（一句话拆成多少个词 / 词元，比如 “你好中国” 拆成 3 个词，L=3 ）。 h：隐藏层维度 阅读全文
posted @ 2025-06-22 15:30
m516606428
阅读(69)
评论(0)
推荐(0)
摘要：
BERT 和 GPT - 1 谁更好用，取决于具体的 NLP 任务需求，以下从核心任务场景对比： 一、做 “文本理解” 任务（分类、问答、实体识别）→ BERT 更好用 BERT 优势：用双向 Transformer，能同时看 “上文 + 下文” 理解语义（比如 “苹果” 在 “吃苹果” 和 “苹果 阅读全文
posted @ 2025-06-22 14:56
m516606428
阅读(29)
评论(0)
推荐(0)
摘要：
以下为你清晰梳理 BERT 与 GPT - 1 的模型规模参数： 一、BERT 核心版本参数 BERT 版本层数（Transformer 层）隐藏层维度注意力头数参数量 BERT - Base 12 768 12 约 1.1 亿 BERT - Large 24 1024 16 约 3.4 亿 二、G 阅读全文
posted @ 2025-06-22 14:55
m516606428
阅读(71)
评论(0)
推荐(0)
摘要：
从 0 到 1 搭建深度学习模型做 NLP 任务，优势主要体现在对场景的极致适配与深度可控性上，具体如下： 场景定制化：能针对极小众场景（如古文言文语义分析、某行业加密话术理解 ），完全按需求设计模型结构、数据处理逻辑，让模型精准贴合任务。 原理深度把控：从底层构建模型，能吃透深度学习在 NLP 里 阅读全文
posted @ 2025-06-22 14:54
m516606428
阅读(19)
评论(0)
推荐(0)
摘要：
这是在讲 BERT 文本表征的核心特点，用大白话拆解： 1. “文本表征” 是啥？ 就是把文字（比如 “我喜欢吃苹果” ），变成电脑能懂的 “数字形式”（矩阵或向量 ），方便模型分析语义～ 2. BERT 和 word2vec 都能 “转数字”，但有区别： word2vec（静态）：不管啥语境，一个 阅读全文
posted @ 2025-06-22 14:52
m516606428
阅读(32)
评论(0)
推荐(0)
摘要：
BERT 微调时降低学习率主要有以下原因： 保护预训练成果：BERT 在大规模语料上进行预训练，学习到了丰富的语言知识和通用特征。微调阶段使用较小的学习率，可以避免对预训练模型的参数进行过大的更新，防止破坏已经学习到的通用语义和句法等信息，使模型在适应新任务的同时，最大程度地保留预训练模型的 “记忆 阅读全文
posted @ 2025-06-22 14:26
m516606428
阅读(43)
评论(0)
推荐(0)
摘要：
预训练的 BERT 模型在微调时，底层词向量的张量值通常会变化，但具体是否变化取决于微调策略。以下是详细解析： 一、BERT 词向量的本质：可学习的嵌入表示 BERT 的词向量（Token Embeddings）是预训练阶段通过海量文本学习到的稠密向量表示，每个词对应一个固定维度的张量（如 BERT 阅读全文
posted @ 2025-06-22 14:24
m516606428
阅读(34)
评论(0)
推荐(0)
摘要：
BERT 的 Pre-train + Fine-tune 流程 凭借预训练阶段学到的通用语言理解能力，可高效适配多种 NLP 任务，按任务类型分类如下： 一、分类任务（判断文本属于哪种类型） 文本情感分析：判断评论、文章的情感倾向（正面 / 负面 / 中性），如电商评论褒贬分类。 主题分类：给文本划 阅读全文
posted @ 2025-06-22 14:22
m516606428
阅读(32)
评论(0)
推荐(0)
摘要：
以下从核心差异和流程对比角度，清晰拆解传统方法与 BERT 预训练方式的区别： 一、核心逻辑差异（大白话版） 传统方法：做 NLP 任务（比如文本分类、情感分析 ）时，从 0 开始训模型。流程是：设计模型结构→找少量标注数据（比如标好 “正面 / 负面” 的评论 ）→用标注数据从头训模型，让模型学 阅读全文
posted @ 2025-06-22 14:21
m516606428
阅读(25)
评论(0)
推荐(0)
摘要：
BERT 有不少版本，从基础到变体丰富多样，除中文相关，还有适配不同场景的版本，以下为你介绍： 一、经典基础版本 BERT - Base：12 层 Transformer 、768 维隐藏层、12 个注意力头，参数约 1.17 亿，平衡性能与资源，适配通用 NLP 任务（文本分类、情感分析等 ）。 阅读全文
posted @ 2025-06-22 14:12
m516606428
阅读(212)
评论(0)
推荐(0)
摘要：
model.bin 常是存储深度学习模型权重参数的二进制文件，和训练好的模型有关，但不完全等价，具体看场景： 1. 核心作用 在 PyTorch、Hugging Face 等框架里，它主要存模型训练后的权重（比如神经网络里各层的参数值 ） ，是模型能干活的 “核心密码” 。 2. 和 “完整训练好的 阅读全文
posted @ 2025-06-22 14:11
m516606428
阅读(92)
评论(0)
推荐(0)
摘要：
这是对比 “传统方法” 与 “预训练方法” 流程的内容，实体信息梳理： 一、核心对比项 传统方法（Fine - tune 流程 ）：步骤：设计模型结构→收集 / 标注训练数据→用标注数据训练→真实场景预测特点：依赖人工标注数据，从 0 开始为特定任务训模型 预训练方法（Pre - train + F 阅读全文
posted @ 2025-06-22 14:09
m516606428
阅读(33)
评论(0)
推荐(0)
摘要：
要搞懂 BERT 和 Transformer 的关系，其实可以用 “儿子和爸爸” 的逻辑来大白话解释 ——Transformer 是 “技术爸爸”，BERT 是 “超牛儿子”，而且这个儿子还把爸爸的优点发扬光大了！ 1. Transformer：先有它，才有后来的各种神模型 本质：Transform 阅读全文
posted @ 2025-06-22 14:08
m516606428
阅读(115)
评论(0)
推荐(0)
摘要：
ASL（美国手语）和 N-gram（N 元语法）乍一看没啥直接关系，但硬要说联系的话，可以从 “语言结构分析” 的角度白话解释： 1. ASL 是 “用手比划的语言”，N-gram 是 “算词语顺序的工具” ASL：就像我们用嘴说话，聋人用手、表情和身体动作 “说话”，每个手势是一个 “单词”，比如 阅读全文
posted @ 2025-06-22 14:03
m516606428
阅读(23)
评论(0)
推荐(0)
摘要：
表schema： a表字段：用户浏览行为表：user_id log_time log_price goods_id date b表字段：商品价格维表：goods_id current_price price_date 1）找到每个用户每天最后一次浏览行为发生的时候的价格； 2）找到降幅大于2%的每个 阅读全文
posted @ 2025-06-22 13:57
m516606428
阅读(8)
评论(0)
推荐(0)
摘要：
在自然语言处理（NLP）领域，PPL（困惑度，Perplexity ）和 n - gram 是紧密关联的概念，主要关系如下： 1. n - gram 是基础模型，PPL 是评估指标 n - gram 模型角色：n - gram（像 unigram、bigram、trigram 等 ）是经典统计语言模 阅读全文
posted @ 2025-06-22 11:38
m516606428
阅读(46)
评论(0)
推荐(0)
摘要：
这是关于语言模型应用中 “数字归一化” 流程的内容，实体信息如下： 主题：语言模型的应用 - 数字归一化 步骤： 找规范数字文本当原始语料 正则表达式提取任意形式数字 数字替换为 <阿拉伯数字>< 汉字数字 >< 汉字连读 > 等 token 用带 token 文本训练语言模型 新文本用正则找数字， 阅读全文
posted @ 2025-06-22 11:20
m516606428
阅读(15)
评论(0)
推荐(0)
摘要：
断是否转阿拉伯数字，核心看 数字表意场景与可读性需求 ，可分两类情况： 一、建议转阿拉伯数字的场景 量化数据（精准数值）像图里的 “四百五十四点九万吨”（454.9 万吨 ）、“七百七十三点四万吨”（773.4 万吨 ）、年份 “一九九九年”（1999 年 ），这类明确的计量、统计数值，转成阿拉伯数 阅读全文
posted @ 2025-06-22 11:18
m516606428
阅读(13)
评论(0)
推荐(0)
摘要：
这是关于语言模型文本纠错方法缺陷的说明，用大白话总结缺陷： 漏判 “增减字”：比如原句多了字（“我 爱吃饭” 多空格算错但难识别）、少了字（“我爱饭” 少 “吃”），这种方法搞不定。 阈值难调：打分阈值高了，该改的错没改；阈值低了，乱改原意（比如 “我买苹果”→“我卖苹果”，模型可能误判替换）。 “ 阅读全文
posted @ 2025-06-22 11:09
m516606428
阅读(21)
评论(0)
推荐(0)
摘要：
这是关于语言模型应用于文本纠错的流程说明，用大白话拆解步骤： 找 “错别字备胎”：先给每个字准备一堆可能混淆的字（比如 “天” 的混淆字有 “按、暗、俺” 等，因为长得像 / 读音像）。 算原句 “合理度”：用语言模型打分，看原句 “像不像人话”（概率越高越合理）。 替换字再打分：把原句里的字换成混 阅读全文
posted @ 2025-06-22 11:08
m516606428
阅读(42)
评论(0)
推荐(0)
摘要：
在 NLP（自然语言处理）里，PPL 是 困惑度（Perplexity），大白话就是衡量语言模型 “有多懵圈” 的指标，用来判断模型对文本预测能力咋样，数值越小，模型越聪明，越懂语言规律 。 举个栗子理解 假如你给模型一句特常见的话 “我吃饭”，模型能稳稳猜到 “吃” 后面接 “饭”，那 PPL 就 阅读全文
posted @ 2025-06-22 11:06
m516606428
阅读(161)
评论(0)
推荐(0)
摘要：
这张图对比了 Ngram 语言模型 和 神经网络（NN）语言模型 的区别，用大白话解释就是： 对比项Ngram 模型（传统套路）NN 模型（神经网络新玩法） 解码速度 快（简单查表、计算，像背公式答题） 慢（要算复杂神经网络，像解奥数题） 内存消耗 大（存很多 “词组统计结果”，占地方） 小（靠神经 阅读全文
posted @ 2025-06-22 10:56
m516606428
阅读(17)
评论(0)
推荐(0)
摘要：
这页讲神经网络语言模型（NLM）比 Ngram 强在哪，大白话对比 “NLM 咋碾压 Ngram”： 1. 语义理解更聪明（向量表示语义） Ngram ：靠 “统计词的出现频率” 判断语义（比如 “苹果” 常和 “手机” 连，就认为它们有关 ），但不懂真正的意思。 NLM ：把词变成 “语义向量”（ 阅读全文
posted @ 2025-06-22 10:52
m516606428
阅读(25)
评论(0)
推荐(0)
摘要：
在 NLP 里，Ngram 的 PPL（Perplexity，困惑度 ） ，就是用来衡量 “语言模型好不好” 的指标，大白话拆解： 1. 干啥用的？ PPL 越低 → 模型越 “懂人话”，预测的句子越合理。比如： 模型算 “今天吃饭” 的 PPL 低，算 “今天吃书” 的 PPL 高 → 说明模型知 阅读全文
posted @ 2025-06-22 10:43
m516606428
阅读(19)
评论(0)
推荐(0)
摘要：
要训练出能打赢世界冠军水平的围棋机器人，可参考以下模型和技术路径，核心思路是借鉴 AlphaGo 系列的成功经验： 1. 基础框架：“策略网络 + 价值网络 + 蒙特卡洛树搜索（MCTS）” 策略网络：学 “当前局面下，哪步棋最可能赢”（类似人类选点直觉 ）。 价值网络：评估 “当前局面的胜率”（判 阅读全文
posted @ 2025-06-22 10:42
m516606428
阅读(63)
评论(0)
推荐(0)
摘要：
这是 N - gram 语言模型平滑方法里的插值法，核心是 “融合高阶和低阶 ngram 概率，让结果更稳”，大白话拆解： 核心思路 回退法是 “没高阶用低阶”，插值法更灵活 —— “同时用高阶和低阶的概率，按比例混合” 。 公式翻译 算 “当前词 wₙ 在前两个词 wₙ₋₂wₙ₋₁ 后的概率” 时 阅读全文
posted @ 2025-06-22 10:17
m516606428
阅读(8)
评论(0)
推荐(0)
摘要：
这是关于 N - gram 语言模型加 1 平滑（add - one smooth ） 方法的内容，解决 “P (word) 不存在（即某个词在语料中没出现过）时的概率计算问题”，大白话解释： 核心逻辑 当遇到没见过的词（count (word)=0 ），给它的计数 “强行 +1”，同时给总词数也 阅读全文
posted @ 2025-06-22 10:14
m516606428
阅读(15)
评论(0)
推荐(0)
摘要：
回退法里的 Bow（回退概率 ），和 NLP 里的计算方式相关，跟计算机视觉里的词袋模型（BoW）不是一回事。回退法里 Bow 的常见计算思路，大白话拆： 1. 基础逻辑：“从已统计的概率里‘扣’” 回退概率 Bow(ab) ，本质是 **“给‘用短词串代替长词串’这个行为的权重”** 。计算时，通 阅读全文
posted @ 2025-06-22 10:12
m516606428
阅读(24)
评论(0)
推荐(0)
摘要：
N-gram 模型的 “回退平滑法”，大白话拆成 “思路 + 例子 + 步骤” ，保证秒懂： 核心思路 当遇到 **“没见过的词串”（比如三元组 a b c 从没出现过 ），别直接给概率 0！而是“退一步”**，找更短的词串（比如二元组 b c ）的概率，来凑合用～ 举个栗子（人话翻译公式） 假设要 阅读全文
posted @ 2025-06-22 09:55
m516606428
阅读(18)
评论(0)
推荐(0)
摘要：
吃透 “平滑问题”： 核心矛盾 N-gram 模型靠 “统计词串出现的次数” 算概率，但 “没见过的词串（比如新组合）” ，直接算的话概率是 0 。但理论上，再奇怪的词组合（比如 “苹果吃电脑” ），也不能说 “完全不可能出现”（万一有人脑洞大开这么写呢 ），所以得给它们 “很低但不是 0 的概率” 阅读全文
posted @ 2025-06-22 09:53
m516606428
阅读(10)
评论(0)
推荐(0)
摘要：
这段页讲马尔可夫假设的 “缺陷”，大白话拆成 3 个槽点 + 1 个安慰： 槽点 1：“前面很远的词可能影响当前词”（long distance dependency） 人话：有时候，当前词的意思，得看前面老远的词才能确定 。 例子：“我读过关于马尔可夫的生平的书”“我看过… 电影”“我听过… 故事 阅读全文
posted @ 2025-06-22 09:42
m516606428
阅读(13)
评论(0)
推荐(0)
摘要：
大白话讲马尔可夫假设 “为啥更好”，核心是 “砍断长依赖，让计算变简单，还能凑合有用” ，分三步说： 1. 先吐槽 “原来的方法” 多烂 之前 “以字为单位” 的方法，要算 “第 n 个字的概率，得看前面所有字”，组合爆炸，电脑根本算不动（比如句子长点，要统计的情况指数级增长，直接卡死 ）。 2. 阅读全文
posted @ 2025-06-22 09:36
m516606428
阅读(5)
评论(0)
推荐(0)
摘要：
为啥 “以字为单位时组合会爆炸”，大白话讲核心是 “字太多、依赖链太长，要统计的情况指数级增长” ，分两步说： 1. 以字为单位：每个字都要 “看前面所有字” 比如句子 “今天天气不错”，以字为单位时： 第 1 个字 “今”：只算自己出现的概率（P (今) ）。 第 2 个字 “天”：得算 “天” 阅读全文
posted @ 2025-06-22 09:35
m516606428
阅读(10)
评论(0)
推荐(0)
摘要：
这页讲 N-gram 模型里，“概率咋具体算出来” ，大白话拆成 “例子 + 步骤”： 核心逻辑 用 “统计词或词串出现的次数” 来算概率，简单说就是： 想算 “某个词 / 词串的概率”，就看它在大量文本（语料）里 “出现多少次” ，再除以 “总次数 / 相关词串的次数”。 举例子：算 “今天天气不 阅读全文
posted @ 2025-06-22 09:31
m516606428
阅读(5)
评论(0)
推荐(0)
摘要：
为什么这么算 从大白话角度解释为啥这么算，核心是 “语言有前后依赖关系，概率得体现‘前面的词影响后面的词’” ，分三步说： 1. 语言的 “依赖逻辑” 说话时，后面的词不是乱选的，得看前面说了啥。比如 “吃” 后面，常跟 “饭、面、瓜”；但 “看” 后面，常跟 “书、电影、风景” 。所以算句子概率时 阅读全文
posted @ 2025-06-22 09:28
m516606428
阅读(12)
评论(0)
推荐(0)
摘要：
这页讲 N-gram 模型咋算 “一句话像不像人话” 的概率，大白话拆成是啥、咋算、优缺点： 一、核心逻辑（是啥） 把句子拆成 “连续的词或字（w₁、w₂…wₙ）”，算这些词按顺序出现的概率。概率越高，句子越像人话。 二、咋算概率（公式翻译） 比如句子是 “今天天气不错”，拆成 w₁= 今、w₂= 阅读全文
posted @ 2025-06-22 09:26
m516606428
阅读(30)
评论(0)
推荐(0)
摘要：
这页讲语言模型咋分类，大白话逐个拆： 1. 统计语言模型（SLM） 特点：靠 “统计规律” 干活，比如 ngram 模型，就是数 “哪些词经常一起出现” 。 大白话：像 “查字典统计高频搭配”，比如知道 “天气” 常和 “不错” 连，就用这规律判断句子对不对。 2. 神经语言模型（NLM） 特点：用 阅读全文
posted @ 2025-06-22 09:23
m516606428
阅读(45)
评论(0)
推荐(0)
摘要：
这段讲语言模型在手写字识别里咋帮忙，大白话拆解： 核心事儿 手写识别时，机器先把图片里的字，变成一堆 “候选汉字”（比如写得潦草，一个字可能被看成好几种写法 ）。但光有候选还不够，语言模型要从这些候选里，挑出 “连起来最像人话、概率最高” 的句子 。 举例子 看手写的 “浙江” ，机器可能识别成 “ 阅读全文
posted @ 2025-06-22 09:18
m516606428
阅读(9)
评论(0)
推荐(0)
摘要：
这部分讲语音识别里语言模型咋把音素变成文字，大白话拆解： 核心事儿 语音转文字时，一个音素序列（比如拼音）可能对应好几种文字组合 。语言模型的作用，就是从这些组合里，挑出 “最像人话、概率最高” 的那句。 举例子 看拼音 “zhong guo zheng zai dui kang xin guan” 阅读全文
posted @ 2025-06-22 09:14
m516606428
阅读(10)
评论(0)
推荐(0)
摘要：
这段讲的是语音识别里语言模型咋工作的，大白话拆解下： 第一步：提取声音特征把你说的话，先转成电脑能懂的 “声学特征向量”（就当是声音的数字密码）。 第二步：声学模型预测音素拿这些 “声音密码” 当输入，丢给声学模型算一算，就能猜出你说的是啥音素（音素≈拼音的最小单位，但更细，还得带声调，比如 “ā” 阅读全文
posted @ 2025-06-22 09:13
m516606428
阅读(19)
评论(0)
推荐(0)
浙公网安备 33010602011771号