文本序列中的单词是有顺序的，一个单词在序列中所处的位置对我们理解其词义、上下文关系都十分重要，但是传统的词向量嵌入(word embedding)并不包含位置信息，所以专门引入位置向量。两种方式的比较：有论文实验显示，绝对位置嵌入和可学习位置嵌入最终的效果是类似的，但是可学习位置嵌入会引入额外的参数，增加训练开销，所以本项目使用。作用是避免过拟合，如果不使用mask，会导致模型在训练时就能看到整个

研究对象：图表研究问题：自动生成图表的自然语言摘要研究方法：引入了新的数据集，并提出一个神经模型，这个神经模型是通过扩展一个在data-to-text生成任务中表现SOTA的模型而得到的。

LeNet模型使用的激活函数是Sigmoid函数，优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数，优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。

LeNet模型使用的激活函数是Sigmoid函数，优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数，优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。

将g++安装在新的文件夹gcc-5.4中，另外在gcc-5.4文件夹内新建了一个compilefile文件夹用来存储g++编译过程产生的文件。理论经过上述配置之后执行gcc -v和g++ -v得到的就是你安装的最新版本号。对于第二个报错，是由于目前使用的c++编译器与pytorch的编译器不一致。对于第一个报错，是由于g++版本过低，需要安装5.0以上版本。2、修改环境变量，指定编译器为g++（1

LeNet模型使用的激活函数是Sigmoid函数，优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数，优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。

LeNet模型使用的激活函数是Sigmoid函数，优化器采用Momentum。AlexNet模型使用的激活函数是ReLU函数，优化器是Adam。上述结构是针对手写数字识别任务而设计。二、AlexNet模型。

此处配置是为了通过host和accessToken连接到ThingsBoard平台中指定的网关设备，然后通过connectors定义的连接器中的json文件，来对数据进行处理并传输到ThingsBoard平台的指定设备中。（3）进入EMQX的主题界面，添加主题，查看该主题的消息流入之后是流出还是被丢弃，如果被丢弃就重新检查前两项内容以及mqtt协议的版本（一般有3.1和5.0，默认使用的是5.0）

2、订阅主题，在常规的命令之后，添加-c，来关闭cleanSeesion功能，也就是创建持久会话；添加-i clientId，附带上客户端id的信息，来作为唯一标识，之后将根据clientId重新连接会话并接收离线消息；添加-q 1or2，设置消息的QoS为1或者2。标识，若标识为true则代表会话已经存在，无需重新订阅主题，可以通过全局接收来获取离线消息。1、启动mosquitto服务时添加-v