本世纪被引用最多的论文是一篇出色的巧妙之作
合集 · 直观理解机器学习和深度学习 (18)
-
直观理解正态分布(PDF, CDF, PPF)
5:27
-
从数值和视觉上理解贝叶斯定理
4:07
-
论文中常见基础数学符号
4:06
-
论文中常见求和与乘积数学符号
4:05
-
直观理解机器学习中的线性回归
3:23
-
直观理解皮尔逊相关系数（r）和决定系数（r平方）
3:28
-
直观理解机器学习中的逻辑回归
3:29
-
直观理解机器学习中的神经网络
4:07
-
大型语言模型中的注意力机制图解（中文配音）
21:02
-
【中文配音】Mamba：比Transformers更好更快的模型
31:51
-
(中文配音)直观解释所有机器学习模型
44:46
-
(流畅中文配音)直观解释所有机器学习模型
22:23
-
（中文配音）制作令人印象深刻的可视化图表
7:54
-
（流畅中文配音）符合生物机制的学习算法
26:52
-
（英语原声）符合生物机制的学习算法
26:52
-
K-均值聚类动画演示
2:14
-
为什么LoRA能省下训练资源？一个宝藏比喻讲透低秩适配
25:56
-
本世纪被引用最多的论文是一篇出色的巧妙之作
28:36
Description
https://www.youtube.com/watch?v=QgH9sr7G13Q 2015年，深度学习撞上一堵沉默的墙：模型越深，性能反而越差，74层竟然打不过8层。微软亚洲研究院的孙剑团队困惑不已，最终用一个“简单到近乎滑稽”的想法彻底解决了问题——跳跃连接。这个想法不仅催生了ResNet，成为21世纪被引用最多的论文，还意外改变了整个领域对神经网络的理解：从层级化特征提取，到残差流中的增量精化，再到现代AI的工作记忆。本视频用直观可视化，带你完整回溯这段改变深度学习命运的历史，并理解它是如何铺垫了Transformer和大语言模型的崛起。
Comments
@MilkyAi 总结，邮箱
♥ 3 ↩ 1
感觉有点像传话游戏最后越传越奇葩，然后每隔几个人重复一下要转述的东西。就保证准确率了。
♥ 16
学废了。沿着当年学者遇到问题解决问题又发现新问题的路线学习才能真的搞明白为什么。教科书那样一上来就给你摆一个大概念往往搞的人不明不白😂。
♥ 292 ↩ 19
以为是人类用算法创造了奇迹，结果发现只是在数学层面“重新发明”了大自然。AlexNet 在没有被规定任何先验规则的情况下，光靠梯度下降居然凭空演化出了和视觉大脑皮层高度一致的“边缘检测到抽象概念”层级结构…… 某种意义上的“趋同进化”了属于是。只能说大自然的鬼斧神工早已把最优解写进了 dna 代码里，人类算力的终点，原来只是生物视觉的起点[doge]
♥ 535 ↩ 19
弹幕真是难绷 学术圈确实有乐呵，并且还不少，但不是这个，最顶级的成果往往都是 简单且有效，而这就是典范，还有个东西也是同理 叫做bn[吃瓜]
♥ 163 ↩ 1
放循环播放了，睡了三个小时午觉
♥ 31 ↩ 1
@MilkyAi 总结，邮箱
♥ 1
讲的真好，论如何让你的顺飞朋友半小时理解深度学习与残差连接
♥ 56 ↩ 4
深度学习就是这么神奇，一个极其简单的改进就能带来惊人的效果，尽管这个改进看起来呆板，简陋，平平无奇
♥ 2
视频看完了，很享受这种知识滑过大脑的感觉
♥ 8
@MilkyAi 总结，邮箱
♥ 1
前面都是我很熟悉的知识，但后面的可视化太精彩了，为了这么一哆嗦值得看完30分钟。
♥ 35
@MilkyAi 分析整合这个视频，发送到我的邮箱
♥ 1
[doge]这可以引申到中文顺序打乱你也可以读懂
♥ 92 ↩ 6
居然会利用低信息量区域用作别的作用！！！[星星眼]
♥ 128 ↩ 9
kaiming YYDS
♥ 6
@MilkyAi 总结，邮箱
精妙啊，为什么他们会有这么好的视频？
♥ 3 ↩ 1
可惜我不是专业的，认识不到这些技术到底有多精妙
♥ 5 ↩ 1
很好的视频，使我入门残差神经网络[脱单doge]
♥ 3