每日AI值得看--2025-07-21

[CSDN-Ada助手]

① 论文理解【LLM-回归】—— 【NTL】Regress, Don‘t Guess--A Regression-like Loss on Number Tokens for Language Model（云端FFF:[博客] [成就]） [质量分：96；难度等级：未知；新鲜技术：99]
摘要：如下图所示，通过按中间的灰色箭头移动每个点对应的概率密度，可以将蓝色分布转换为红色分布，Wasserstein 距离可以理解为最小化这些箭头的平均平方长度。的信息熵，它和训练 LLM 使用的标准交叉熵只差了一个常数（的信息熵），因此还是缺乏数值感知能力。

② 深度学习-神经网络推理与训练（向前/反向传播）（m0_67703435:[博客] [成就]） [质量分：82；难度等级：未知；新鲜技术：99]
摘要：进一步的，我们将这些元素按顺序以一个列向量的形式表示，最终得到的要求就是：该神经网络模型接受一个包含1000000个数据的向量作为输入，输出图中人物的身份。， 并输出一些数据；如下图所示，左右的差异主要在于隐藏层的数量以及隐藏层中神经元的数量，也就是。