想问下这种penalization 是不是会容易bias to shrink the front layers more than the back layers. 根据反向传播，MLP 中 最开始的几层 的梯度大多远远小于最后几层， 而penalty 是对所有的weights一视同仁的penalize, 那很容易shrink weights in the front layers to 0s more than the back layers 吧？ 想问问该怎么解决这个问题呢？ batch normalization有一定的效果但是不完全解决。 是否要针对不同的layer 做不同程度的penalization呢？
哇，你讲的好清楚，看了好多人的，就你说的最清楚。感谢！
, 相机移动直接剪很好的想法
请问有课件吗
学起来学起来
3:10 Good
作为纯纯小白，这个老师讲的最好理解了！谢谢讲解！
是我看的视频里，解说的最清楚的！谢谢老师,如果能有个playlist专辑就好了!
心累了不想再碰了，okx钱包还剩89usdt懒得提了，这是okx钱包的助记词({pride}-{pole}-{obtain}-{together}-{second}-{when}-{future}-{mask}-{review}-{nature}-{potato}-{bulb}，送各位有缘刷到的朋友。
有兩個問題想請教: 最近AWS 的服務還有更新嗎? 安裝這些檔案的時間是否都要計費?
讲得真差劲
怎么说一堆废话 讲课水平是吹出来的吧？
colab.research.google.com/drive/1tcDiyHIKgEJp4TzGbGp27HYbdFWGolU_?usp=sharing
谢谢你老师！🤣
感知机可以映射到高维空间，也可以能解决线性的问题，但不如多层具有普遍性
老师您好，可以解读一下helm官网的rank吗？想要了解大模型的评测体系，但是rank的指标太多了有点迷糊🤣
@ai 请提取视频讲义
大佬 你们的视频 题目为啥 4 4 ， 3 3， etc? 能否把一类视频放到一个playlist 。谢谢分享
2024年，再看一遍。以前没看懂。。
感觉这个视频并不想让别人听懂。。。虽然我知道她讲什么。当然就算她不讲我也知道。。。但是还是忍不住吐槽一下
太牛逼了
老师，爬虫需要安装什么库呢？
prompt 为什么 work 原来科学家也不知道，真的有点神奇
讲得很好
密钥
你这是在讲课吗？给你自己听的
求助下，p(x,x') = {n(x) / n} * {n(x,x')/n(x)}，假设x代表'我'，x'代表'们‘’，以n(x)/n)来看，n(x)是出现'我'这个字的个数，n是文本的总字数；而如果从整体来看p(x,x')代表要计算'我们'出现的概率，那么n(x,x')是出现'我们'的次数，n似乎应该是文章所有出现的2个连续字组成的词的个数， 并不像是前面说的文本的总字数。
我居然是第一个评论的
你的评论是什么？
想问下这种penalization 是不是会容易bias to shrink the front layers more than the back layers. 根据反向传播，MLP 中 最开始的几层 的梯度大多远远小于最后几层， 而penalty 是对所有的weights一视同仁的penalize, 那很容易shrink weights in the front layers to 0s more than the back layers 吧？ 想问问该怎么解决这个问题呢？ batch normalization有一定的效果但是不完全解决。 是否要针对不同的layer 做不同程度的penalization呢？
学佛和学道都会出现一个叫顿悟
老师，感谢分享；缺个“9”呢，谢谢
我是周一看见的这个系列视频
Best explanation video I've ever watched
我觉得您讲的很好
真的是赞
老师你好，可否您的联络方式，我正在组建一个基于人工智能的量化交易研发团队，期待能与机器学习领域的朋友们合作。相信我们可以创造出像西蒙斯大奖章基金那样优秀的公司。
This is so amazing! Thanks!
密钥
是搬运的？
密钥？
标量对列向量求导结果应该也还是一个列向量吧？
第7章咋没了
sf
能不能不要偷李沐的ID了
。。我还以为是本人。
讲的真好
愛了
假频道？
核回归中的x是我们的目标，希望xi离它越近或者越远越好，但是它如何给出？总不可能是手动给它x的值吧？
实话实说，口水话太多，希望老师能更好地组织一下语言，您的例子其实并没有很好地帮助观众理解概念
个人觉得挺好的，算是全网听过解释的最直观的了。😂
能不能建个目录分个类啊，按顺序，太难找了
Thanks for the sharing. It helps me a lot!