大纲复习资料

第一章机器学习简介

机器学习的概念、要素、类型

概念

机器学习(Machine Learning，ML)是指从有限的观测数据中学习(或“猜测”)出具有一般性的规律，并将这些规律应用到未观测数据样本上的方法。主要研究内容是学习算法。

机器学习（英语：machine learning）是人工智能的一个分支。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。机器学习算法是一类从数据]中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法（要防止错误累积）。很多推论问题属于非程序化決策，所以部分的机器学习研究是开发容易处理的近似算法。（Wikipedia）

计算机科学家汤姆·米切尔在其著作的Machine Learning一书中定义的机器学习为： well-posed learning problem

A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E.

——Tom Mitchell，Machine Learning

良好的学习问题是以性能量度P进行衡量，如果一个计算机程序在某类任务T上的性能，随着经验E而提升，那么我们称这个计算机程序能从经验E中学习。

要素三个

模型（这里的线性指的是对参数 w ）
- 线性方法（指的是 w的线性函数）：
- 广义线性方法：
  
  其中是可学习的非线性基函数 (基函数用于对x进行特征变换)
- 非线性方法：例如神经网络
  
  是激活函数（如 ReLU、Sigmoid）这个模型的非线性来自激活函数和多层结构。
学习准则（学习目标优化目标）
- 期望风险：这个是最理论化的目标指的是损失值在真实数据分布下的期望，但是由于数据的真实分布是不可知的，所以通常难以计算
- 经验风险：根据大数定律当数据量足够大时可以用频率当做分布所以有经验风险
  $$
  \cal{R}{emp}(f) = \frac{1}{n} \sum{i=1}^{n} L(f(x_i), y_i)
  $$
- 结构风险最小化：在结构风险基础上加上正则化项防止模型过拟合控制模型的复杂程度
  $$
  \cal{R}{srm}(f) = R{emp}(f) + \lambda \cdot \Omega(f)
  $$
  其中是控制正则损失系数
- 最大间隔准则：在SVM支持向量机中的学习准则
  
  间接最小化结构，优先选更稳健的模型
- 最大似然估计（MLE）：最大似然
  $或$
- 贝叶斯后验最大化（MAP）：
  
  加了先验的 MLE 可以当做正则化的MLE

优化

梯度下降方法

方法名	特点	备注
标准梯度下降（GD）	每次用全量样本更新	计算量大，收敛稳定
随机梯度下降（SGD）	每次只用一个样本	噪声大但效率高
小批量梯度下降（Mini-batch GD）	综合GD和SGD优点	深度学习常用
Momentum（动量法）	加速收敛，抗震荡	模拟物理惯性
Nesterov Accelerated Gradient（NAG）	改进动量法	预判未来梯度方向
Adagrad	自适应每个参数学习率	学习率随训练减小，可能太快收敛
RMSProp	改进Adagrad，控制过快下降	常用于RNN
Adam	融合Momentum和RMSProp	最常用，鲁棒性好
AdamW	改进了Adam的权重衰减策略	Transformer常用

二阶优化方法

方法名	特点	备注
牛顿法（Newton’s Method）	用二阶导数加快收敛	每次迭代代价高
拟牛顿法（如BFGS、L-BFGS）	近似二阶信息	在小数据场景表现好
自然梯度法（Natural Gradient）	考虑参数空间结构	常用于贝叶斯/强化学习

无梯度优化

方法名	特点	适用场景
网格搜索 / 随机搜索	超参数调优经典方法	参数少时可用
进化算法（如遗传算法GA）	模拟自然选择过程	黑盒优化
粒子群优化（PSO）	模拟群体智能	连续优化有效
模拟退火（SA）	模拟物理退火过程	全局优化倾向强
贝叶斯优化（BO）	利用代理模型迭代搜索	少样本高效搜索

过拟合、欠拟合、正则化

过拟合

过拟合（Over-fitting）是指模型在训练集上面误差很低，但是在测试机上误差很高。对训练集拟合的能力过强。

过拟合的解决方法：

扩大数据集
正则化（奥卡姆剃刀原理简单有效）
如果没有必要就不要增大模型的数量
通过验证集合来选择模型
K折交叉验证：训练K次判断模型能力
留一法 K=N

欠拟合

模型在训练集和测试集上的误差都很大。由于模型能力不足（不够灵活）

正则化

对模型的损失中添加正则化损失例如L1、L2
奥卡姆定律简单有效

贝叶斯公式

后验似然x先验

第二章概率论与优化

概率的概念、贝叶斯学派vs频率轮学派

概率的概念

概率是对不确定事件发生可能性的度量。在数学上，概率是定义在样本空间上的一个函数，取值范围是 [0,1] 。

但不同学派对“概率的意义”有不同理解，主要有：

频率学派（Frequentist）

观点：

概率是一个事件在大量重复试验中出现的相对频率。
通过大量独立实验将概率解释为事件发生频率的均值（大数定律）。

举个例子：如果你连续掷硬币很多次，有一半是正面，那我们就说正面概率是 0.5。

特点：

概率是客观的，跟你是否知道某个信息无关。
参数是固定未知数，不能被建模成随机变量。
推断方法：最大似然估计（MLE）、假设检验、置信区间等。

贝叶斯学派（Bayesian）

观点：

概率是表示一个人对事件发生的主观相信程度，是对不确定性的度量。

将概率解释为信念度（degree ofbelief）。当考虑的试验次数非常少的时候，贝叶斯方法的解释非常有用。此外，贝叶斯理论将我们对于随机过程的先验知识纳入考虑，当我们获得新数据的时候，这个先验的概率分布就会被更新到后验分布中。

举个例子：如果你知道这枚硬币偏向正面，你就可以给出“正面概率0.8”，即使你还没开始掷。

特点：

概率可以用于表示对未知参数的信念。
参数也可以是随机变量。
推断方法：利用贝叶斯公式更新先验分布得到后验分布。

两者对比总结：

内容	频率学派	贝叶斯学派
概率定义	事件长时间频率	主观信念
参数看法	固定未知值	随机变量
推断结果	单个估计值	概率分布
常用方法	MLE、假设检验	贝叶斯公式、先验-后验推断

伯努利分布、高斯分布

伯努利分布 Bernouli

就是单次的二项分布：

期望 , 方差

二项分布：

期望 , 方差

共轭性：

高斯分布

就是正态分布：

期望 , 方差

极大似然估计、最大后验估计

极大似然估计和最大后验估计都是机器学习三要素中的学习准则

极大似然估计（Maximum Likelihood Estimate）MLE

选择让观测到数据出现的概率最大的一组参数 , 下面这个P就是似然函数

最大后验估计（Maximum A Posteriori estimate）MAP

在给定先验参数分布和数据的情况下最有可能的参数

梯度下降以及不同形式

Goal:

Just iterate

where is learning rate

方法名	特点	备注
标准梯度下降（GD）	每次用全量样本更新	计算量大，收敛稳定。也叫批量梯度下降法BGD
随机梯度下降（SGD）	每次只用一个样本	噪声大但效率高
小批量梯度下降（Mini-batch GD）	综合GD和SGD优点	深度学习常用
Momentum（动量法）	加速收敛，抗震荡	模拟物理惯性
Nesterov Accelerated Gradient（NAG）	改进动量法	预判未来梯度方向
Adagrad	自适应每个参数学习率	学习率随训练减小，可能太快收敛
RMSProp	改进Adagrad，控制过快下降	常用于RNN
Adam	融合Momentum和RMSProp	最常用，鲁棒性好
AdamW	改进了Adam的权重衰减策略	Transformer常用

第三章回归的线性模型

介绍

什么是回归？回归指的是让模型预测连续的数值型输出（即实数范围内的值）

什么是线性模型？线性模型指的是模型是参数w 的线性函数一般形式为

向量形式为

其中是输入的特征线性模型是w的线性模型 x 如果经过基函数变换为仍是线性模型。
线性模型的优点：简单易建模可解释性强非线性模型(引入层级结构或者高位映射)的基础。

线性回归是什么？
给定数据集 ,其中
线性回归的目的学到一个线性模型尽可能准确地预测实值输出

线性回归最小二乘法

建立线性模型为了方便表达把 b 和 1 增广入 w x 中

多元线性回归

基函数

基函数可以选择

多项式基函数[]
高斯基函数 []
sigmoid 基函数[]

岭回归 Ridge Regression 山脊回归

岭回归就是在原本的loss上加上了权重产生的权重衰减正则化项

最大化后验概率等价于最小化正则化的平方和误差函数

闭式解与几何解释

Lasso 回归套索回归

L1 loss

Lasso回归能够使模型具有稀疏性

第四章基础的分类方法

回归是多个输入特征被映射到一个或者多个连续的目标变量
分类则是输入特征x被映射到K个离散类别之一

线性分类概念

线性分类，模型指的是分类面是 x 的线性函数（分类函数 f 可能是非线性函数例如在外面加了一层 sigmoid）
区别于前面的线性回归（对于参数是线性的）

推广的线性模型用非线性函数对w的线性函数的结果进行激活

下面说的三种感知机 logistic回归朴素贝叶斯分类器
感知机和logistic回归两种是严格线性的决策面是超平面
朴素贝叶斯分类器通常是非线性其决策边界取决于特征的条件概率分布（如高斯朴素贝叶斯的决策边界是二次曲面）
若特征的条件概率分布属于指数族（如泊松分布），且满足特定条件时，可能得到线性决策边界。

三种类型：判别函数、概率生成模型、概率判别模型

判别函数 Discriminant Function （感知器）

这个是直接说出结果是哪个下面的会给出概率然后再决策是哪个

直接找到一个函数把每个输入 x 直接映射为类别标签，例如感知机 SVM 之类的

线性判别函数就是指决策面是超平面的判别函数

二分类情形

线性判别函数 y=0 就是决策平面

几何性质【2｜1】

如过用一个二分类器处理多分类的情况，可以：

一对其他分类器（K-1个二分类器）
一对一分类器（个二分类器）
但是会出现不可分的区域

多分类情形

K类判别函数如果一个k=k*大于其他所有的 y 那就是Ck* 类

概率判别模型 Probabilistic Discriminative Models （logistic回归*）

直接对后验概率建模，然后用决策论来确定x的输入类别比如取最高的等等。例如逻辑(logistic)回归、神经网络（最后softmax的结果就是一组后验概率）

Logistic回归（分类模型）

在线性模型的基础上加上了激活函数得到概率大小下面的例子用的是sigmoid函数

直接对y=1 对线性函数激活得到概率

决策面就是两个类别的后验概率相等也就是可以根据这个推出逻辑回归模型的决策面是线性的
sigmoid：

逻辑回归模型的训练

逻辑回归就是在线性回归模型的基础上套了一个sigmoid LOSS就是两个类别的的交叉熵

逻辑回归和神经网络模型的对比

特性	逻辑回归	神经网络
模型结构	单层（仅输入层 + 输出层）	多层（输入层 + 隐藏层 + 输出层）
决策边界	线性（超平面）	非线性（可拟合复杂边界）
表达能力	只能解决线性可分问题	可逼近任意复杂函数（通用近似定理）
参数优化	使用梯度下降法优化权重 ( w )	使用反向传播（Backpropagation）优化多层权重
输出类型	概率（通过Sigmoid函数）	概率（Softmax）或任意值（取决于输出层设计）
适用任务	二分类（默认）、可扩展至多分类（One-vs-Rest）	二分类、多分类、回归、生成任务等
计算复杂度	低（参数少，训练快）	高（参数多，需大量数据和计算资源）
可解释性	高（权重直接反映特征重要性）	低（黑箱模型，难以解释隐藏层）

概率生成模型 Probabilistic Generative Models （朴素贝叶斯分类器*）

先对类的条件密度和先验类概率分布建模，然后再用贝叶斯定理计算后验类概率分布 :

最后，使用决策论来确定每个输入x的类别

等价地，直接对联合概率分布建模，再做归一化得到后验概率。

统计类别分布得到先验在类内统计属性分布得到似然

朴素贝叶斯分类器

估计后验概率的主要困难在于：类条件概率是 x 在所有属性上的联合概率（输入的x有很多维度），难以用有先限的训练样本估计获得

朴素贝叶斯分类器采用 属性条件独立性假设 ，每个属性独立地对分类结果发生影响。

更具上述假设后验概率可以写为(d是属性个数 i是第i个属性)：
$© ©$
对于所有类别 P(x) 相同，所以贝叶斯判定准则为：
$©$
即对每个样本x 选择后验概率最大的类

朴素贝叶斯分类器计算例子

第五章支持向量机与核方法

SVM原理

支持向量机的三个关键想法：

通过优化来求解一个超平面分类器
寻找最大间隔分类器来提高模型的泛化能力（结构化风险最小）
采用 核技巧 使得在高维度特征空间的计算更有效率

假设数据是线性可分的，那么一定存在两条平行的直线分别经过两类样本最外侧的数据设这两条直线是、设置是 ±1 没有什么特殊意义主要是为了方便表示间距margin

在这个设置下相当于学习一个基于间隔的分类器

为什么要写成 ?
主要是为了简化下面的计算，如果写成在计算梯度时候会出现

对偶问题

在解决这个问题时候使用拉格朗日乘子法将其转化为对偶问题：

引入拉格朗日乘子得到拉格朗日函数
令对和的偏导数为0可得：
回代:

拉格朗日乘子法：通过乘子将约束引入函数得到一个无约束的函数

支持向量就是 wx+b=±1 的向量

核技巧

一般的上面所提到的支持向量机是对于数据线性可分的情况，但是可能存在线性不可分的数据，这样就要把 x 变换到高维空间使其在高维空间中线性可分。

设样本 x 映射后的向量为 ,划分超平面是

也就是说两个x的高维表示都是内积的形式存在不用显式的计算出来所以引入 核函数 来代替：

核函数的优点：不需要知道和计算（纬度很高计算量很大）即使特征空间的纬度非常高，计算仍是可行的，因为核函数是在原空间内运算。

存在判定

常用核函数

实现非线性分类
通过这个解出后可以得到决策函数 $f(x)=sgn(\sum^l_{i=1}y_i\alpha^K(x_i,x)+b^)$

第六章集成学习

集成学习的概念和类型

集成学习是通过构建并结合多个学习器来完成学习任务，提升性能

学习器可以是同质的也可以是异质的（个体学习器由不同的学习算法生成成为组件学习期）
其中的同质个体学习器称为基学习器对应的算法叫做基学习算法

弱学习器：精度略高于随机强学习器：精度较高

简单分析

然而我们必须注意到，上面的分析有一个关键假设：基学习器的误差相互独立.在现实任务中，个体学习器是为解决同一个问题训练出来的，它们显然不可能相互独立！事实上，个体学习器的“准确性”和“多样性”本身就存在冲突.一般的，准确性很高之后，要增加多样性就需牺牲准确性，事实上，如何产生并结合“好而不同”的个体学习器，恰是集成学习研究的核心.

根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类，即个体学习器间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法；前者的代表是Boosting，后者的代表是 Bagging 和“随机森林”（Random Forest）.

AdaBoost算法流程

这个其实就是对做softmax 让下次的模型更注重错误的样本

例子

Bagging算法流程

欲得到泛化性能强的集成，集成中的个体学习器应尽可能相互独立；虽然“独立”在现实任务中无法做到，但可以设法使基学习器尽可能具有较大的差异.给定一个训练数据集，一种可能的做法是对训练样本进行采样，产生出若干个不同的子集，再从每个数据子集中训练出一个基学习器.这样，由于训练数据不同，我们获得的基学习器可望具有比较大的差异.然而，为获得好的集成，我们同时还希望个体学习器不能太差.如果采样出的每个子集都完全不同，则每个基学习器只用到了一小部分训练数据，甚至不足以进行有效学习，这显然无法确保产生出比较好的基学习器.为解决这个问题，我们可考虑使用相互有交叠的采样子集.

大I 是指数函数在里面为真假时取1,0
对预测输出进行结合时，通常对分类任务使用简单投票法，对于回归问题使用简单平均法。

获取每个基学习器的训练集方法
包外估计用训练集不包括x的对x做预测

第七章聚类方法

无监督学习
是机器学习的一种范式，其核心特点是模型从未标注的数据中自动发现隐藏的模式、结构或规律，而无需人工提供标签（即没有明确的“正确答案”作为监督信号）。与监督学习不同，无监督学习的目标是探索数据本身的内在特性。
- 模型：函数 , 条件概率分布或者条件概率分布
- 策略：目标函数优化
- 算法：迭代算法，通过迭代达到对目标函数的最优化

聚类
是将样本集合中相似的样本（实例）分配到相同的类，不相似的样本分配到不同的类。聚类时，样本通常是欧氏空间中的向量，类别不是事先给定，而是从数据中自动发现，但类别的个数通常是事先给定的。样本之间的相似度或距离由应用决定。 ·如果一个样本只能属于一个类，则称为硬聚类（hard clustering），如果一个样本可以属于多个类，则称软聚类（soft clustering）。
聚类算法有原型（k均值、高斯混合模型）、密度、层次、谱聚类

K均值算法流程以及特点

K均值聚类是基于样本集合划分的聚类算法。将样本集合划分为k个子集，构成k个类，将n个样本分到k个类别中，每个样本到其所属类的中心距离最小。硬聚类算法，每个样本只有一个类。

_K均值划分策略

K均值算法实现

K均值算法特点

第八章混合模型与期望最大

EM算法流程、收敛性以及应用

DEF:
最大期望算法（Expectation-maximization algorithm，又译为期望最大化算法），是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。最大期望算法经过两个步骤交替进行计算，==第一步==是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；==第二步==是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

举个例子：
如果要统计一个学校男女生身高体重的分布，男生的分布和女生肯定是两个不同的分布，但是如果数据中只有身高体重Y 并未标注男生女生Z 那么如果要找到男生女生的分布就比较困难， EM算法就是为了解决这种问题

理解：
通过估计的隐变量的先验计算所有观测数据Y 的似然概率然后用最大似然得到每条Y 最有可能对应的 Z 的值，然后根据估计过后数据更新 Z 的估计先验重复迭代这个过程（实际上这个Z不是一个常量而是一个随机变量）

EM算法流程

_EM特点

EM算法的收敛性

EM算法的应用

EM算法在⾼斯混合模型学习
EM在伯努利混合模型上的应用

混合高斯模型GMM的原理和特点

PPT:

具体内容找PPT

第九章神经网络与深度学习

介绍

神经网络的要素：

网络结构：

前馈神经网络、梯度下降算法、BP反向传播算法流程

前馈神经网络（全连接神经网络，MLP）

整个网络中没有反馈全部是正向连接

全连接神经网络的缺点

BP反向传播算法

对每个权重求梯度

构造一个两层的Net

BP算法原理

前向过程

在上面正向传播过程中，loss对wij的梯度为：

也就是 E 对一个权重第J层第I个w 的梯度：

???为什么不是这种形式？？如果relu的斜率是1 上面下面基本相等了

符号	意义	举例
a	还没激活的加权和
z	激活函数后的输出

BP算法示例

梯度下降算法

李航附录A 常见的梯度下降算法在第一章三要素中

CNN 基本结构，卷积、池化的计算、常用的激活函数

CNN基本结构

上面提到了全链接前馈神经网络的缺点：参数多、局部不变性特征难以提取、展开丢失空间信息、参数多容易过拟合

所以提出了卷积神经网络 CNN 也是一种前馈神经网络受生物学上的感受野机制启发。在结构上有三个特点： 局部感知、权重共享、空间或者时间上的下采样

在视觉神经系统中一个神经元的感受野是指视网膜上的特定区域，只有在这个区域内的刺激才能激活改神经元。

全连接层，导致的参数量过大，浪费资源而且没有这么多的训练数据
局部连接层，在位置相同的地方数据类似（人脸识别）参数量小一些
卷积层，不同位置共享权重，通过可学习的卷积核进行卷积

这个里面的汇聚层是池化

卷积操作 Convolution

padding就是在外面对图像进行补0操作 stride就是kernel移动的步长是多少。

一个卷积核卷出来一层有多少个卷积核卷完后通道就是多少每个卷积核的通道数应该与输入特征图的通道数对齐

卷积后feature map的size

对于给定的输入尺寸，填充，步长，卷积核大小为，输出尺寸可以通过以下公式计算：

1. 没有填充的情况 (padding = false):

2. 有填充的情况 (padding = true):

对于填充，通常我们使用"same"填充来保证输出尺寸与输入尺寸相同。在这种情况下，填充的大小为：

然后输出尺寸为：

这就是计算输出尺寸的方法。

池化 Pooling Layer

如果我们想让“眼睛检测器”这个滤波器（例如卷积神经网络中的卷积核）对于眼睛的**精确位置**不那么敏感，可以通过 **池化pooling**  操作来提高检测的鲁棒性。

1. **眼睛检测器（filter）**：我们假设滤波器的目的是检测图像中的“眼睛”特征。当滤波器在图像中滑动时，它会响应图像中眼睛特征的位置并给出一定的响应值。

2. **精确位置问题**：眼睛可能出现在图像的不同位置，或者可能由于某些因素（如图像旋转、缩放等）导致眼睛的相对位置发生变化。如果我们直接使用卷积操作，滤波器的响应可能只在特定位置对眼睛有效，但对于其他位置就不适用了，这样就无法达到“位置不敏感”的效果。

3. **池化（Pooling）操作**：池化操作（例如**最大池化（Max Pooling）**）可以帮助解决这个问题。它的工作原理是：在特定区域（如 \(2 \times 2\) 区域）内，池化操作选择最大的响应值（如最大池化），而不是关心具体的精确位置。通过这种方式，无论眼睛在图像的哪个位置，池化层都会保留局部区域内的最强响应，从而使模型对眼睛的**空间位置变化**更加**鲁棒**。

假设我们用一个 \(3 \times 3\) 的滤波器来检测眼睛，滤波器响应在图像某个位置给出了一个高值，但如果眼睛稍微移动，响应值可能会变得很低。如果我们在多个位置应用池化操作，池化层会选取该区域中的最大响应值。这样，即使眼睛的位置发生变化，池化后的响应值仍然较为稳定。

不在关注具体在哪个像素而是知道在哪个大概区域

常用的激活函数

RNN基本结构以及存在的问题、LSTM的基本结构

RNN 循环神经网络

由于卷积网络的局限性：1.接受固定长的向量作为输入，产生固定长度的输出；2.计算的数量是固定的

但是有时候需要处理时序和序列的数据，接受和生成变长的输入或输出因此引出了循环神经网络RNN （Recurrent）

RNN例子

同步就是输入后输出所有对应位置
异步是输入后逐个输出上一个

循环神经网络的特点

RNN的结构

RNN的训练算法

RNN训练时候用BPTT算法

RNN的长期依赖问题

因为上面所示梯度反向传播中的累乘很容易出现梯度消失或者梯度爆炸，这是因为RNN在时间维度上非常深。想要改进这个问题，对于梯度爆照：需要用权重衰减或者权重截断方法；对于梯度消失：需要改进模型来解决

直观感受长期依赖

越早的输入影响就越小，越晚的输入影响就越大，而且这个逻辑是固定的，无法改变。

LSTM 长短期记忆网络

为了解决上面 RNN 对早晚输入注意程度不一致，而且逻辑无法改变的问题，引入了LSTM。

LSTM 保留了较长序列中的重要信息，忽略不重要的信息。这样就解决了 RNN 的短期记忆的问题。

LSTM 的基本结构

LSTM的思想:

LSTM vs RNN :

下图中：
指出了 LSTM（长短期记忆网络）中的以下关键部分：
1. Write some new cell content（写入新的细胞状态内容）
- 对应 输入门（Input Gate） 的计算，决定哪些新信息会被存储到细胞状态中。
2. Forget some cell content（遗忘部分细胞状态内容）
- 对应 遗忘门（Forget Gate） 的计算，决定哪些旧信息会被丢弃。
3. Compute the forget gate（计算遗忘门）
- 明确提到遗忘门的操作，通过 sigmoid 函数决定保留或遗忘多少历史信息。
4. Compute the input gate（计算输入门）
- 明确提到输入门的操作，通过 sigmoid 函数决定更新哪些新信息。
5. Compute the new cell content（计算新的细胞状态内容）
- 结合输入门和候选细胞状态（通常由 tanh 函数生成），更新细胞状态。
6. Compute the output gate（计算输出门）
- 对应 输出门（Output Gate） 的计算，通过 sigmoid 函数决定输出哪些信息，再结合 tanh 处理的细胞状态生成最终输出。
7. 候选细胞状态（Candidate Cell State）：通常由当前输入和前一隐藏状态通过 tanh 函数生成，用于后续细胞状态更新。
8. 隐藏状态（Hidden State）：作为 LSTM 的输出，传递到下一时间步或网络层。

Transformer基本结构以及特点

Attention

非自主提示无参数汇聚（最大平均池化）

自主提示注意力机制

软性注意力机制 value 就是自己

硬性注意力 QKV

多头注意力多组查询Q KV是同一个

自注意力
h2 只得到了 x1 x3 x2 的信息卷积和循环只有local
全连接没法处理变长
自注意力示意图：

Transformer基本结构

自回归模型为了建模一个变长序列出现的概率

Transformer的特点

预训练语言模型BERT和GPT

BERT模型

mask在中间的不像 decoder 在一个地方后面做mask

分类
词性标注
对对话分类

GPT

区别

第十章强化学习

强化学习基本原理与构成

强化学习（Reinforcement Learning, 简称 RL）是机器学习的范式和方法论之一，用于描述和解决智能体（Agent）在与环境（Environment）的交互过程中通过学习策略（Policy）以达成奖励或回报（Reward）最大化或实现特定目标的问题。

强化学习和其他机器学习范式不同的的原因：
没有做loss的步骤非及时反馈

奖励：

例如：
乘坐直升机进⾏特技⻜⾏操作
• 因遵循期望轨迹获得正奖励
• 因坠毁获得负奖励

在西洋双陆棋比赛中击败世界冠军
• +/− 因赢得/输掉⼀局比赛获得的正负奖励

让类人机器人⾏⾛
• 向前移动给予正奖励
• 摔倒给予负奖励

决策序列

智能体与环境的交互

历史与状态

信息状态

智能体的构成

主要组件

策略
价值函数
模型

智能体分类

有模型与无模型的区别

维度	有模型（Model-Based）	无模型（Model-Free）
定义	智能体已知环境动态（状态转移概率 ( P_{ss’}^a ) 和奖励函数 ( R_s^a )）	智能体直接通过与环境的交互学习，无需环境模型
核心方法	动态规划（DP）、值迭代、策略迭代	蒙特卡罗（MC）、时序差分（TD）、Q学习、Sarsa
优缺点	✅ 样本效率高（无需实际交互） ❌ 依赖精确模型，难以处理复杂环境	✅ 适应性强，适用于未知环境 ❌ 样本效率低，收敛慢
关键步骤	1. 构建环境模型 2. 基于模型计算最优策略	1. 直接交互获取经验 2. 通过经验更新价值/策略
典型算法	值迭代（Value Iteration）、策略迭代（Policy Iteration）	Q学习（Q-Learning）、Sarsa、REINFORCE
应用场景	棋类游戏（已知规则）、仿真环境	机器人控制、游戏AI（如Atari）

定义与核心区别

有模型（Model-Based）：
- 智能体已知环境模型，即状态转移概率 (P(s’|s,a)) 和奖励函数 (R(s,a))。
- 通过模型进行离线规划（如动态规划），无需与环境实时交互即可优化策略。
- 典型方法：动态规划（DP）、值迭代（Value Iteration）、策略迭代（Policy Iteration）。
- 优点：样本效率高（无需大量试错），适合小规模或已知模型的问题。
- 缺点：模型难以精确获取，复杂环境（如连续状态或高维空间）中不适用。
无模型（Model-Free）：
- 智能体不依赖环境模型，通过与环境交互直接学习策略或价值函数。
- 通过试错（Trial-and-Error）收集经验，逐步优化策略。
- 典型方法：Q-learning、Sarsa、蒙特卡洛（MC）、深度Q网络（DQN）。
- 优点：适用于未知或复杂环境，更贴近实际应用场景。
- 缺点：样本效率低，训练时间长，可能陷入局部最优。

示例对比

迷宫问题：
- 有模型：已知迷宫地图，直接计算最短路径。
- 无模型：通过不断尝试移动并记录奖励，逐步学习最优路径。

基于价值与基于策略的区别

维度	基于价值（Value-Based）	基于策略（Policy-Based）
核心目标	学习价值函数 ( V(s) ) 或 ( Q(s,a) )，通过价值选择动作（如ε-贪心）	直接优化策略函数 ( \pi(a\|s) )，无需价值函数
策略类型	隐式策略（如贪心策略）	显式策略（可随机或确定性）
优缺点	✅ 适合离散动作空间 ❌ 难以处理高维/连续动作	✅ 支持连续动作、随机策略 ❌ 高方差、局部最优
收敛性	可能震荡（如Q学习）	更平滑但可能陷入局部最优
典型算法	Q学习、DQN、Sarsa	REINFORCE、PPO、策略梯度（Policy Gradient）
应用场景	离散控制（如Atari游戏）	连续控制（如机器人行走）、博弈论（如石头剪刀布）