用ASCII表作为词典，长度为128，每一个值对应一个独热向量，比如77对应128维向量中第77个位置为1其他位置为0，但是对于embed层只要告诉它哪个是1就行，这些序列长短不一，需要padding到统一长度。它会将填充后的嵌入和实际序列长度作为输入，并返回一个打包后的序列，便于 RNN 处理。，判断句子是哪类（0-negative，1-somewhat negative，2-neutral，3

【深度学习原理与Pytorch实战笔记-第三章 单车预测器——你的第一个神经网络】

利用科大讯飞实现在线语音合成，第一次做的时候在网上改了很多代码都没能成功实现，运行时总是会出一些bug，这里做一个整体的汇总，希望大家也能顺利实现TTS

嵌入层的主要作用是将离散的词汇映射到连续的向量空间中，从而为RNN提供密集的、低维的输入表示，这比直接使用稀疏的one-hot编码更为高效。，但是这个线性层是共享的，如下图，每次把hi和xi+1计算得到的hi+1传送到下一层进行计算，同时xi+1还需要通过某种运算融合xi的信息（比如求和、求乘积等）h0是先验知识，比如对于图像生成文本，可以先通过cnn+fc生成h0，也可以把h0设成和h1等统一维

人工智能正在重塑室内平面设计的过程，使其更加智能和自动化。由于对室内设计需求的增加，本文提出了一种双模块方法来实现多风格平面设计，采用pix2pix系列模型，一种生成对抗网络（GAN）。该方法由两个模块组成，从设计草图中生成语义标签图像和从标签图像中生成多风格设计图。为此，通过提取和编码区域的标签来分离关键区域的布局和样式纹理信息。然后，通过对双模块生成和单模块生成的实验比较，验证了所提出的双模块

sigmod的函数是一个在生物学中常见的S型函数，也称为S型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，常被用作神经网络的激活函数，将变量映射到0,1之间。-------------摘自《百度百科》sigmod函数也叫作Logistic函数，用于隐层神经单元输出，取值范围为（0,1），它可以将一个实数映射到（0,1）的区间，可以用来做二分类。在特征相差比较复杂或者相差不是特别大的时候效

嵌入层的主要作用是将离散的词汇映射到连续的向量空间中，从而为RNN提供密集的、低维的输入表示，这比直接使用稀疏的one-hot编码更为高效。，但是这个线性层是共享的，如下图，每次把hi和xi+1计算得到的hi+1传送到下一层进行计算，同时xi+1还需要通过某种运算融合xi的信息（比如求和、求乘积等）h0是先验知识，比如对于图像生成文本，可以先通过cnn+fc生成h0，也可以把h0设成和h1等统一维

用ASCII表作为词典，长度为128，每一个值对应一个独热向量，比如77对应128维向量中第77个位置为1其他位置为0，但是对于embed层只要告诉它哪个是1就行，这些序列长短不一，需要padding到统一长度。它会将填充后的嵌入和实际序列长度作为输入，并返回一个打包后的序列，便于 RNN 处理。，判断句子是哪类（0-negative，1-somewhat negative，2-neutral，3

联邦学习作为一种新兴的分布式机器学习范式，能够在保护本地数据隐私的同时，在大量边缘设备上训练全局模型。在典型的联邦学习范式下，全局模型通过同步协议进行更新，这要求服务器在每个回合更新全局模型之前等待所有客户端返回其模型参数。然而，由于设备异构性导致的拖沓效应可能会严重降低同步联邦学习的训练效率。异步联邦学习可以有效缓解由设备异构性引起的训练低效，但异步更新协议使得全局模型更容易受到异构数据的影响。

联邦学习（FL）是一种创新的机器学习方法，终端设备在中央服务器协调下共同训练全局模型，解决了数据隐私和数据孤岛问题，而无需将数据传输到中央服务器。然而，在联邦学习中，客户端数据的异质性显著影响了 FL 的性能。为了解决模型精度低和收敛速度慢的问题，提出了一种基于梯度相似性的客户端选择算法（FedGSCS）。该算法通过比较客户端梯度与平均梯度之间的相似性来选择客户端，优先选择能够加速模型聚合以促进模