- 博客(15)
- 收藏
- 关注
RSS订阅原创 Armstrong公理系统
Armstrong公理：是数据库设计中的“逻辑推理工具箱”，用于从已知的函数依赖推导出所有隐含的函数依赖。核心作用：验证关系模式的规范化（如2NF、3NF、BCNF），确保数据依赖的完整性。
2025-04-22 17:03:11
948
原创 软考数据库系统工程师高阶范式解析
在软考数据库系统工程师考试中，除了经典的1NF、2NF、3NF外，还需掌握更高阶的范式理论，包括BCNF（巴斯-科德范式）、4NF（第四范式）和5NF（第五范式）
2025-04-21 17:38:53
975
原创 1分钟掌握BPTT（附RNN训练秘籍）
像倒放一部电影，从结局逐帧分析每个角色（神经元）对结果的影响，最终找到所有时间点的责任分配。读一本长篇小说时，每次只回顾最近10页的内容来理解当前剧情，同时记住关键人物关系。（表情包创意：⏳一个沙漏倒流，沙子变成反向传播的梯度箭头）
2025-03-24 20:37:15
469
原创 [特殊字符] 1分钟突破｜Transformer最后两层的秘密武器：Linear和Softmax（NLP入门必看）
在Transformer解码器末端，通过。
2025-03-20 10:46:52
401
原创 Linear与Softmax——Transformer输出层的「数学翻译官」
Linear层把模型的抽象思考转成词语分数，Softmax层将分数变为概率，二者共同决定了Transformer最终说出的词。
2025-03-20 10:26:05
727
原创 一步步解释 Self-Attention层、Point-wise层（如Point-wise Feed-Forward）和全连接层（Dense Layer）的核心区别、作用，以及它们如何配合工作
Self-Attention是“关系分析师”，Point-wise层是“特征工程师”，全连接层是“决策者”，三者协作让模型既懂上下文又能解决具体任务！输入向量：某个词的Embedding（如“猫”对应的向量）
2025-03-17 10:41:06
1183
原创 一句话记住“什么是BERT？”
（Bidirectional Encoder Representations from Transformers）是一个 。BERT就像一位“读过万卷书”的语言专家，通过上下文精准理解语义，成为NLP的瑞士军刀！，通过阅读海量文本，学会每个词在不同语境中的含义，从而解决各种NLP任务。
2025-03-13 18:53:53
967
原创 两分钟理解CNN 和 RNN，以及它们和 Transformer 的区别
一个“局部扫描仪”。专门处理（比如像素、时间序列）。你让CNN读句子：“我爱吃苹果，因为它们很甜”。CNN会拆成碎片：“我爱”、“吃苹果”、“因为它们”、“很甜”，可能漏掉“苹果”和“甜”的关联。
2025-03-13 10:06:34
811
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人