259
个编辑
更改
跳到导航
跳到搜索
第23行：
第23行： + + + + 第39行：
第43行： + +
无编辑摘要
YMZ：应该需要你把公式放在这里简单讲一下。要不你单独拿出来一个小节，叫做“神经网络上的EI计算”。我们会有一个专门的词条讲这个，你在这里就简单介绍一下那个公式，然后交叉引用即可。这个小节可以放在概述和缺陷之间。
YMZ：应该需要你把公式放在这里简单讲一下。要不你单独拿出来一个小节，叫做“神经网络上的EI计算”。我们会有一个专门的词条讲这个，你在这里就简单介绍一下那个公式，然后交叉引用即可。这个小节可以放在概述和缺陷之间。
PLL：ok
* 当输入数据的维度过大的时候，EI可能会发散。
* 当输入数据的维度过大的时候，EI可能会发散。
这一点已经包含在你下面说的第二点里了。它其实有一个考虑是去除超参数L的影响。你可以看一下dei和dce的公式。
这一点已经包含在你下面说的第二点里了。它其实有一个考虑是去除超参数L的影响。你可以看一下dei和dce的公式。
PLL：这里就是L的影响吧？输入数据的维度是和L相关的，X~[-L,L]
=NIS 缺陷=
=NIS 缺陷=
问题的形式化表达就不写了吧，因为和NIS那个优化框架基本没有区别。目前你写这一部分属于宏观EI变分下界那一小节的。数学推导这里你就直接写变分下界这一节吧。会引用到NIS那里提到的优化框架，你可以看一下别的词条是怎么引用公式的。
问题的形式化表达就不写了吧，因为和NIS那个优化框架基本没有区别。目前你写这一部分属于宏观EI变分下界那一小节的。数学推导这里你就直接写变分下界这一节吧。会引用到NIS那里提到的优化框架，你可以看一下别的词条是怎么引用公式的。
PLL：OK