词向量（尤其是经过预训练的）是将文本转化为机器可理解的数字表示的基石，它捕捉了词语的语义。yt=f(Whyht+by)y_t = f(W_{hy}h_t + b_y)yt=f(Whyht+by) （计算输出） （其中 xtx_txt 是当前时刻输入，hth_tht 是当前时刻隐藏状态，yty_tyt 是当前时刻输出，WWW 是权重矩阵，bbb 是偏置，fff 是激活函数）最简单的词语表示方法是将每

文字学理论的演进始终反映着人类对自身文明的反思深度。从索绪尔的结构主义分析到德里达的解构主义批判，从现象学的具身认知到社会文化的权力分析，再到数字时代的本体论重构，文字学研究不断拓展着理论视野与方法论工具。在这个"后真相"与"算法统治"的时代，文字学的人文价值愈发凸显——它提醒我们：文字不仅是交流工具或信息载体，更是人类思维的形式、文化记忆的容器、权力运作的场域与存在意义的家园。

深度学习的出现极大地推动了计算机视觉的进步，特别是 CNN 和 Transformer 等模型的引入，使得机器在许多视觉任务上已经能够媲美甚至超越人类的表现。R-CNN 家族 (R-CNN, Fast R-CNN, Faster R-CNN)： 先通过区域提议网络 (RPN) 生成候选区域，再对这些区域进行分类和边界框回归。模型： 常使用深度 CNN 来提取人脸特征，并通过度量学习 (Metric

虽然实际部署到临床环境还需要更多的验证、法规审批以及与现有医疗工作流程的整合，但这清晰地描绘了AI如何成为医生诊断的有力助手，提升诊断效率和准确性，最终惠及广大患者。在深度学习的早期，一个普遍存在的难题是“深度困境”（Dying ReLU / Vanishing Gradient）：随着网络层数的加深，梯度在反向传播过程中会逐渐衰减，导致深层网络的参数更新缓慢甚至停止，模型无法有效学习。AI+医疗

传统Transformer的注意力机制是显存消耗的「大户」，其核心问题在于「中间激活值爆炸」和「内存读写冗余」。FlashAttention-2通过三大创新彻底重构了注意力计算流程，将显存占用降低50%-75%，同时提升推理速度2-4倍。要在16GB显存上运行70B模型，核心是「降低静态权重占用（量化）+ 优化动态计算显存（FlashAttention-2）+ 严格控制序列长度」。