https://zh.d2l.ai/chapter_recurrent-neural-networks/sequence.html
你好， 不是很理解 为什么 李老师说 CNN也可以解决 NLP 问题，要用 cov1d 来做， 我看很多代码都是 用 2d做的。 应该 con2d 等于 {kneral size, embedding} 谢谢
李老师在视频里解释了，时序序列就相当于一个一维向量，对于一维向量，自然要用1d的卷积啊。图片是二维的，所以用2d的卷积。这就是直观的理解。至于你说con2d 等于 {kneral size, embedding}，我觉得也对，等于在时间序列的维度之外，你还考虑每个时间点上的embedding，等于又增加了一维。
3 Likes
我使用d2l.plot画图是时候，服务器回挂掉，有什么解决方法嘛？
问题解决了，加上os.environ[‘KMP_DUPLICATE_LIB_OK’]='True’就好了，虽然不是很明白原理
您好，请问这里 epoch=5 的设置有什么逻辑吗？我尝试过增加迭代次数，确实对提高预测性能没有太大帮助。但这一点是怎么提前看出来的呢？
在训练过程中应该是l.mean()而不是l.sum()这里有问题吧
我在conda里卸载重装了d2l这个环境后，好了
效果基本不变，只不过梯度更新步伐有差异，即便学习率相同。
在固定模型和学习率 η 的情况下，用 mean() 时，其梯度更新步伐大小为用 sum() 时的 1/batch_size 。
3 Likes
关于问题一(2)，我的想法是，如果没有噪音只需要向前观察1个时间步就足够了。
经过修改tau，以及输入维度，在tau=1时候是可以取得很好的单步预测结果。
猜想是如果用泰勒展开一项，sin(t) = sin(t_1) + Δt * cos(t_1)，那么只需要神经网络根据前一个时刻的输入sin(t_1)可以学习会cos(t_1)就可以预测出下一步的sin(t)的输出，t_1代表t的前一个时刻，delta t是时间间隔。
2 Likes
最后一行加上 d2l.plt.show()
1 Like
我觉得大概是老师试了一堆值之后发现epoch=5效果最好吧
这节的习题有点摸不清头脑，看了一下英文版，1.1的翻译感觉有点问题，感觉应该翻译为“试试将输入改为超过的4个观察值？您真正需要多少个？”
2 Likes
想知道公式8.1.4中的Xt是不是作为一个划分？实现时是不是将所有X[t+1],X[t-1]之间的项统计出来才可以计算？
hxd真的帮大忙了,我看的也是一头雾水 
多谢抛砖引玉。但感觉还不够，就算在噪声情况下也可以写一个泰勒公式来，但此时为什么不是依赖前一个时间步即可？感觉还要对sin(t_1)项展开，此时若果涉及t_2项的结果远小于t_1项的结果时，才可以认定主要与前一个时间步相关。
for i in range(tau):
features[:, i] = x[i: T - tau + i]
强烈认为这里T - tau + i应改为T-tau-1+i.不然feature有997个样本而不是996个。/(ㄒoㄒ)/~~求回复！！！
试过改成T-tau-1+i代码会报错哦，因为切片操作x[i: T - tau + i]是从i取到T - tau + i的上一个位置，所以并不需要减1喔