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。
1 Like
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 。
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。
1 Like
最后一行加上 d2l.plt.show()