索引 / 标签
#表示学习
共 3 篇
- Ch06 神经网络基础
Embedding (嵌入 / 向量表示)
Embedding（嵌入）是机器学习中将离散对象（词、句子、文档、图像、用户、商品等）映射到连续稠密向量空间的技术。与传统的 One-Hot 编码（高维稀疏）不同，Embedding 将对象表示为低维稠密向量（通常 128-4096 维），向量之间的距离和方向蕴含了语义信息。Em
约 3 分钟1,089 字 - Ch06 神经网络基础
对比学习 (Contrastive Learning)
对比学习（Contrastive Learning）是一种自监督表示学习方法，核心思想是：拉近相似样本（正样本对）的表示，推远不相似样本（负样本对）的表示。通过构造正负样本对并在表示空间中施加对比约束，模型可以学习到高质量的特征表示，无需人工标注。对比学习是 CLIP、SimCL
约 3 分钟1,050 字 - Ch06 神经网络基础
深度学习 (Deep Learning)
深度学习是机器学习的一个子领域——用多层神经网络从数据中自动学习"层次化表示"，不再需要人工设计特征。它是 2012 年以来 AI 革命的核心引擎。
约 5 分钟1,478 字