平滑过的
平滑
261 Matching Annotations
- Mar 2017
-
exacity.github.io exacity.github.io
-
-
\emph{内存}： 存储参数的开销
emph不对
-
需要记录
则需要
-
每一种可能的值
每一个可能值
-
小的
只有
-
仍然
我们仍然
-
具有
极具
-
这
从这
-
应用包含了
其应用包括
-
一个严重损害的区域也需要在最后的输出中恢复
一个受损区域也会显示最终估计也是受损的。 与原文意思有区别，我也不清楚。
-
污渍
灰尘
-
了
去掉 了
-
了
去掉 了
-
了
去掉了
-
输出
输出值
-
昂贵
换掉
-
来
好像可以去掉 来
-
中是哪一个物品的时候
的一个物体时
-
个
张
-
举个例子
例如
-
给出了一个
产生
-
一个
关于单个
-
分类的这个过程
这个分类过程
-
用
使用
-
拥有
包含
-
包含
表示
-
以区别于合成的图片，或者一个网页的截图。
不同于合成的图片，或者一个网页的截图等等。
-
这也意味着能够理解具有丰富结构的高维数据。
有点不对
-
需要
亟需
-
最后，在\sec?中，我们讨论并强调了图模型在深度学习中的一些独特之处和一些特有的方法，作为本章的收尾。
最后，作为本章的收尾，我们在\sec?中讨论深度学习研究者使用图模型特定方式的独特之处。
-
基本
去掉 基本
-
通过了解依赖性，我们
我们通过学习依赖性，
-
也
仍
-
了
去掉 了
-
中
时
-
建立大尺度
构建大规模
-
了
去掉 了
-
在本章中，
去掉
-
且
去掉 且
-
了
去掉 了
-
指明了
将指明
-
，
、
-
一些图模型特有的算法
使用图模型的独特方式。
-
如果你已经对图模型已经了解很多
如果你已经熟知图模型
-
强调了在深度学习领域中图模型已经被公认为是有效的
重点描述已被证明对深度学习社群最有用的观点。
-
介绍了
将介绍
-
曾
并
-
，
、
-
领域
群体
-
叫做
称为
-
由于模型的结构是由图来定义的
由于模型结构是由图定义的
-
图
“图”
-
那个简单
此前简要
-
本章中我们努力做到内容的自洽性。
本章内容是自洽的，所以
-
更加详细地描述了结构化概率模型
将更详细的描述结构化概率模型
-
现在在第三部分
现在在第三部分，我们可以看到
-
使用结构化概率模型
使用结构化概率模型作为语言
-
模型
模型的思想
-
深度学习为研究者们提供了许多指导性的建模和设计算法的思路。
与原文意思不同
-
- Jan 2017
-
exacity.github.io exacity.github.io前言2
-
允许的移动
走法?
-
人工智能的真正挑战被证明是解决对人来说很容易执行，但很难形式化描述的任务，也就是我们人类能自动的靠直观解决的问题，比如识别所说的话或图像中的脸。
不通顺
-