CS143编译原理的预测分析：Parsing中的关键算法 - 飞书文档
https://docs.feishu.cn/v/wiki/AbuHwUnb6ixRBAkvYBcc8qocnIc/a9构造LL(1) Parsing Table. 已知first set 和follow set 之后，很简单。遍历一下填表就行。算法如下，. 例子. 展开讨论. 不满足LL(1) 语法时，构造parsing table 时，table ...
飞搜侠
热门搜索
AlphaFold 3的全面解读：从原理到应用的深度探索 - 飞书文档
https://docs.feishu.cn/v/wiki/Czm2wYGzIiJXbUkV35Vc6gk4nSd/a2**过去，AlphaFold 2 在蛋白质结构预测方面直接「血虐」其他算法。**其核心架构可归结为3 个关键部分，如下图所示：第一部分，蓝色框内的MSA & Template 模块 ...
模型预测结果分析：发现问题与改进 - 飞书文档
https://docs.feishu.cn/v/wiki/WO6pwPLCiiTSR5kZfSsc2RIPnNh/ae数据的标签来源是什么，是否打标的方式和我们的直观不符？评估指标是否可以直接优化，对于不可以直接优化的目标是否可以采用某些技巧来进行优化？除此之外，我们还需要基于赛事 ...
1. 通俗解构语言大模型的工作原理 - 飞书文档
https://docs.feishu.cn/article/wiki/KFYRwUbXyigkoAklxKec3GKunkh事实上，可以将前馈层视为模型从训练数据中学到的信息的数据库。靠前的前馈层更可能编码与特定单词相关的简单事实，例如“特朗普经常在唐纳德之后出现”。靠后的层则编码更复杂 ...
从原理到代码理解语言模型训练和推理 - 飞书文档
https://docs.feishu.cn/v/wiki/Mpl2wg4z9iTQmkknRSXc3uGLnPc/ad首先我们把输出** embedding 送入一个线性层，输出的维度是词表的大小，就是让预测这个 token 的下一个token属于词表的“哪一类”**. 为了将输出概率归一化，需要再进行 ...
ChatMOF：利用LLM预测和生成金属有机框架 - 飞书文档
https://docs.feishu.cn/v/wiki/Mow0wOi57iwDskk1Tbhcvl8Ln7e/a1最后，MOF 领域研究人员的一个主要愿望是逆向设计表现出所需特性的MOF。遗传算法特别适合与LLM 集成。作为一种受生物启发的优化方法，遗传算法基于选择、突变和交叉原理运行， ...
深入数据分析的若干方法与技巧 - 飞书文档
https://docs.feishu.cn/article/wiki/EPQBwOIK1iFDfokzm3KclFnPnif... 分析，以及各种各样的预测算法. 预测一定是不准的，一般会结合两种预测模型 ... 《金字塔原理》/《结构思考力》：很好的提升逻辑思维能力的书籍，不过，逻辑思维 ...
利用Excel探索神经网络的工作原理 - 飞书文档
https://docs.feishu.cn/v/wiki/RCcLw7rS0i14EEkdjZEc7yQmn9F/a4神经网络是一种模仿人类大脑神经元网络的计算模型，它能够自动从数据中学习模式和特征，从而实现对未知数据的预测和分类。在Excel 中，我们可以通过使用函数和数据表格来模拟 ...
1. 通俗解构语言大模型的工作原理 - 结构化提示词知识库- 飞书
https://langgptai.feishu.cn/wiki/KFYRwUbXyigkoAklxKec3GKunkh在注意力头在词向量 · 之间传输信息后，前馈网络会“思考”每个词向量并尝试预测下一个词。在这个阶段，单词之间没有交换信息，前馈层会独立地分析每个单词。然而，前馈层可以访问 ...
LSTM在时间序列预测中的作用是什么？ - 飞书文档
https://docs.feishu.cn/v/wiki/ZNG8wF6CDiW6iOkBdpGcRcoYnnf/ag第二步：确定优化目标函数。在训练早期，输出值和预期值会不一致，于是计算每个神经元的误差项值，构造出损失函数。