语音识别/音乐生成问题/处理情感分类/ DNA 序列分析/机器翻译/视频行为识别/命名实体识别

所以这就是 GRU，即门控循环单元，这是 RNN 的其中之一。这个结构可以更好捕捉非常长范围的依赖，让 RNN 更加有效。

本章节讲解，迁移学习，多任务学习，端到端的学习，通过举例说明这些学习方式的内容记忆使用场景和意义

统计检验中样本独立性问题至关重要。对于9个被试各100次试验的数据，若将所有900个试验点视为独立样本（n=900）会导致伪重复，夸大显著性；而以被试均值（n=9）进行分析则符合独立性假设，结论可推广至人群。被试内试验比较建议采用非配对检验（如Mann-Whitney U），因试验间相互独立；而配对检验（如Wilcoxon）适用于严格配对数据。当样本量过小时，可考虑线性混合模型（LMM）来同时考虑

在前面（）使用了embedding去实现toy级别的文本情感分类，那么现在我们在这个模型加上LSTM层，观察分类效果。为了达到更好的效果，对之前的模型做如下修改。

DataLoader可以从Dataset中取数据，是一个加载器，可以将Dataset看做一副扑克牌，Dataset就是从这一副里面取出任意张牌，怎么取，取多少张都是由DataLoader来决定的代码示例1：代码示例2运行结果

误差误差来源——bias（偏差）和 variance（方差）偏差就是model里的所有function得到的y与y hat的差距，就像往靶子上射击，所有的射击到的点都离靶心很远 ，像下面的Large Bias图，那么偏差就大，而下面Small Bias射击的点离靶心有近有远，但平均值小，那么偏差就小。方差就是model里的所有的function得到的y之间的差距，就是射击在靶子上的点之间的差距，像

我们以图像的每个像素为中心生成不同形状的锚框。交并比（IoU）也被称为杰卡德系数，用于衡量两个边界框的相似性。它是相交面积与相并面积的比率。在训练集中，我们需要给每个锚框两种类型的标签。一个是与锚框中目标检测的类别，另一个是锚框真实相对于边界框的偏移量。在预测期间，我们可以使用非极大值抑制（NMS）来移除类似的预测边界框，从而简化输出。...

李宏毅老师作业5 Seq2Seq 完成过程记录

那这两块总结起来就得到了最简单的一个GNN的样子但是，这种方法有一个很大的局限性，每一种信息都是进入一个单独的MLP，并没有考虑这些点是跟哪些边相连的，哪些点是相连的等等，所以并没有合理得把整个图的信息更新到属性里，导致最后的结果不能很好的利用图的信息。那就引入下面一小节解决这个问题信息传递以上讲的都是边和顶点的交换，接下来说全局信息这篇博客参考的视频：李牧老师视频里讲解的博客连接：博客