ST-GCN应当具备能够从时空维度提取特征的能力，其在GCN中的表现就是能够同时聚合时空维度的信息，如下图所示。其具体网络层如图所示：步骤1：引入一个可学习的权重矩阵（与邻接矩阵等大小）与邻接矩阵按位相乘。该权重矩阵叫做“Learnable edge importance weight”，用来赋予邻接矩阵中重要边（节点）较大的权重且抑制非重要边（节点）的权重。步骤2：将加权后的邻接矩阵与输入送至G

全部代码开源在。

RAG嵌入（Retrieval-Augmented Generation with Embeddings）又叫做检索增强生成技术，是一种结合语义检索和生成的技术。通过将文档和查询转化为高维向量（嵌入）表示，RAG利用相似度计算从知识库中检索相关内容，再将检索结果作为上下文输入生成模型生成答案。它无需微调模型，能动态扩展知识库，适用于问答系统、文档生成和实时知识更新等场景，具有灵活、高效的特点。RA

原论文：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf。

游戏地址：https://flappybird.io/该游戏的规则是：点击屏幕则小鸟立即获得向上速度。不点击屏幕则小鸟受重力加速度影响逐渐掉落。小鸟碰到地面会死亡，碰到水管会死亡。（碰到天花板不会死亡）小鸟通过水管会得分。

例如：城市交通的每个路口上的传感器所记录的数据；化学分子结构；人际关系网；推荐系统中每个人构成的图等。并不是说以上的神经网络处理不了图这种类型的数据，只是在处理图这种数据上存在欠缺，图数据有一个很明显的特征，相邻或相近的节点存在一定的空间依赖关系，这种关系传统神经网络很难捕获，为此，图神经网络应运而出。一次聚合更新操作代表GCN的一层。层数是节点特征可以行进的最远距离。例如，使用 1 层 GCN，

卷积神经网络（Convolutional Neural Networks，简称CNN）是一种具有局部连接、权值共享等特点的深层前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一，擅长处理图像特别是图像识别等相关机器学习问题，比如图像分类、目标检测、图像分割等各种视觉任务中都有显著的提升效果，是目前应用最广泛的模型之一。卷积

首先解释一下，经过这个sigmod激活函数后，得到的都是在0到1之间的数值，1表示该门完全打开，0表示该门完全关闭，其中是最为普通的输入，可以从上图中看到，是通过该时刻的输入和上一时刻存在memory cell里的隐藏层信息向量拼接，再与权重参数向量点积，得到的值经过激活函数tanh最终会得到一个数值，也就是，注意只有的激活函数是tanh，因为是真正作为输入的，其他三个都是门控装置。再来看，inp

遗传算法（Genetic Algorithm，GA）是一类模仿生物进化过程的搜索启发式算法。它们是由约翰·霍兰德（John Holland）在20世纪70年代初提出的。遗传算法通过自然遗传机制（如选择、交叉、变异等）的模拟，对问题的潜在解进行进化，以期找到或逼近最优解。基本原理是类比达尔文进化论—“物竞天择，适者生存”其实很好理解，学过生物的都知道达尔文进化论的大概内容：变异：种群中单个样本的特征

原论文：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf。