1影片入門中文
从编解码和词嵌入开始，一步一步理解Transformer，注意力机制(Attention)的本质是卷积神经网络(CNN)（在新分頁開啟原站）
以編碼解碼與詞嵌入為基礎，逐步解析 Transformer 的核心機制，重點在於說明注意力機制如何運作，並將其與傳統 CNN 進行對比分析。
20.1 萬次觀看
※ 摘要僅根據標題與說明
王木头学科学
YouTube ・ 華語圈 ・ 簡體中文 ・ B 級 ・ 4 萬 訂閱 ・ 11 筆內容 ・ 最近更新 2024/04/08
王木頭學科學：Transformer 數學直觀
最受歡迎
依人氣
- 2影片入門中文
如何理解“梯度下降法”？什么是“反向传播”？通过一个视频，一步一步全部搞明白（在新分頁開啟原站）
以通俗方式解釋梯度下降法與反向傳播，透過例項讓讀者理解這兩者如何共同作用，使機器學習模型能自動最佳化引數。
3.7 萬次觀看※ 摘要僅根據標題與說明
- 3.7 萬次觀看
※ 摘要僅根據標題與說明
- 4影片入門中文
“交叉熵”如何做损失函数？打包理解“信息量”、“比特”、“熵”、“KL散度”、“交叉熵”（在新分頁開啟原站）
影片用通俗比喻解釋交叉熵如何作為損失函式，並拆解其核心概念：資訊量、位元、熵與 KL 散度，幫助讀者理解交叉熵在機器學習中的意義。
3.2 萬次觀看※ 摘要僅根據標題與說明
- 5影片入門中文
“损失函数”是如何设计出来的？直观理解“最小二乘法”和“极大似然估计法”（在新分頁開啟原站）
影片解釋了損失函式的起源，並透過最小二乘法與極大似然估計法的直觀比較，說明它們如何設計成數學工具來衡量模型誤差。
3.2 萬次觀看※ 摘要僅根據標題與說明
- 6影片入門中文
softmax是为了解决归一问题凑出来的吗？和最大熵是什么关系？最大熵对机器学习为什么非常重要？（在新分頁開啟原站）
探討 softmax 與最大熵的關係，並說明最大熵在機器學習中的重要性。
1.7 萬次觀看※ 摘要僅根據標題與說明
- 7影片入門中文
“随机梯度下降、牛顿法、动量法、Nesterov、AdaGrad、RMSprop、Adam”，打包理解对梯度下降法的优化（在新分頁開啟原站）
本影片用通俗方式解讀隨機梯度下降、牛頓法、動量法、Nesterov、AdaGrad、RMSprop 與 Adam 等最佳化演算法，幫助讀者理解它們如何提升訓練效率。
1.3 萬次觀看※ 摘要僅根據標題與說明
- 9,500次觀看
※ 摘要僅根據標題與說明
- 9影片入門中文
5. 深度学习和元胞自动机有什么关系？会给编程带来什么样的颠覆性改变？（在新分頁開啟原站）
王木頭用通俗比喻解釋深度學習與元胞自動機的關係，指出兩者雖不同但能相互啟發，並強調程式設計領域將因這種跨領域思維帶來顛覆性改變。
8,937次觀看※ 摘要僅根據標題與說明
- 7,300次觀看
※ 摘要僅根據標題與說明
最新內容
依發布時間
- 影片入門中文
从编解码和词嵌入开始，一步一步理解Transformer，注意力机制(Attention)的本质是卷积神经网络(CNN)（在新分頁開啟原站）
以編碼解碼與詞嵌入為基礎，逐步解析 Transformer 的核心機制，重點在於說明注意力機制如何運作，並將其與傳統 CNN 進行對比分析。
20.1 萬次觀看※ 摘要僅根據標題與說明
- 影片入門中文
5. 深度学习和元胞自动机有什么关系？会给编程带来什么样的颠覆性改变？（在新分頁開啟原站）
王木頭用通俗比喻解釋深度學習與元胞自動機的關係，指出兩者雖不同但能相互啟發，並強調程式設計領域將因這種跨領域思維帶來顛覆性改變。
8,937次觀看※ 摘要僅根據標題與說明
- 7,300次觀看
※ 摘要僅根據標題與說明
- 9,500次觀看
※ 摘要僅根據標題與說明
- 影片入門中文
什么是SVM，如何理解软间隔？什么是合叶损失函数、铰链损失函数？SVM与感知机横向对比，挖掘机器学习本质（在新分頁開啟原站）
以通俗比喻解釋 SVM 與感知機，並深入剖析軟間隔、合葉與鉸鏈損失函式，闡述兩者核心差異與本質。
6,400次觀看※ 摘要僅根據標題與說明
- 影片入門中文
“随机梯度下降、牛顿法、动量法、Nesterov、AdaGrad、RMSprop、Adam”，打包理解对梯度下降法的优化（在新分頁開啟原站）
本影片用通俗方式解讀隨機梯度下降、牛頓法、動量法、Nesterov、AdaGrad、RMSprop 與 Adam 等最佳化演算法，幫助讀者理解它們如何提升訓練效率。
1.3 萬次觀看※ 摘要僅根據標題與說明
- 影片入門中文
softmax是为了解决归一问题凑出来的吗？和最大熵是什么关系？最大熵对机器学习为什么非常重要？（在新分頁開啟原站）
探討 softmax 與最大熵的關係，並說明最大熵在機器學習中的重要性。
1.7 萬次觀看※ 摘要僅根據標題與說明
- 影片入門中文
如何理解“梯度下降法”？什么是“反向传播”？通过一个视频，一步一步全部搞明白（在新分頁開啟原站）
以通俗方式解釋梯度下降法與反向傳播，透過例項讓讀者理解這兩者如何共同作用，使機器學習模型能自動最佳化引數。
3.7 萬次觀看※ 摘要僅根據標題與說明
- 影片入門中文
“交叉熵”如何做损失函数？打包理解“信息量”、“比特”、“熵”、“KL散度”、“交叉熵”（在新分頁開啟原站）
影片用通俗比喻解釋交叉熵如何作為損失函式，並拆解其核心概念：資訊量、位元、熵與 KL 散度，幫助讀者理解交叉熵在機器學習中的意義。
3.2 萬次觀看※ 摘要僅根據標題與說明
- 影片入門中文
“损失函数”是如何设计出来的？直观理解“最小二乘法”和“极大似然估计法”（在新分頁開啟原站）
影片解釋了損失函式的起源，並透過最小二乘法與極大似然估計法的直觀比較，說明它們如何設計成數學工具來衡量模型誤差。
3.2 萬次觀看※ 摘要僅根據標題與說明
- 3.7 萬次觀看
※ 摘要僅根據標題與說明
