From 1f195fc15ae99bee7d0079dfe7f02d4bf9782ace Mon Sep 17 00:00:00 2001
From: wizardforcel <562826179@qq.com>
Date: Fri, 22 Jan 2021 17:06:01 +0800
Subject: [PATCH] 2021-01-22 17:06:01
---
new/handson-1shot-learn-py/3.md | 28 ++++++++++++++--------------
1 file changed, 14 insertions(+), 14 deletions(-)
diff --git a/new/handson-1shot-learn-py/3.md b/new/handson-1shot-learn-py/3.md
index 03e3ba2c..196daa3a 100644
--- a/new/handson-1shot-learn-py/3.md
+++ b/new/handson-1shot-learn-py/3.md
@@ -68,15 +68,15 @@
-* 第二阶段是基于位置的寻址，其重点是从特定存储位置读取/写入数据，而不是在阶段 1 中完成的位置值。其后，标量参数  称为插值 门，将内容权重向量  与前一个时间步的权重向量`w[t-1]`混合，以产生门控权重[  。 这使系统能够学习何时使用（或忽略）基于内容的寻址：
+* 第二阶段是基于位置的寻址，其重点是从特定存储位置读取/写入数据，而不是在阶段 1 中完成的位置值。其后，标量参数`g[t] ∈ (0, 1)`称为插值 门，将内容权重向量`w[t]^c`与前一个时间步的权重向量`w[t-1]`混合，以产生门控权重`w[t]^g`。 这使系统能够学习何时使用（或忽略）基于内容的寻址：
-* 在第三阶段，插值后，头部发出归一化的移位加权，以执行`R`模的移位运算（即，向上或向下移动行）。 这由以下操作定义：
+* 在第三阶段，插值后，头部发出归一化的移位加权`s[t]`，以执行`R`模的移位运算（即，向上或向下移动行）。 这由以下操作定义：
-* 第四个也是最后一个阶段，锐化，用于防止偏移的权重  模糊。 这是使用标量  并应用以下操作完成的：
+* 第四个也是最后一个阶段，锐化，用于防止偏移的权重`w_tilde[t]`模糊。 这是使用标量`γ >= 1`并应用以下操作完成的：
@@ -90,11 +90,11 @@ MANN 的目标是在一次学习任务中表现出色。 正如我们之前阅
# 读取
-MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此处的权重向量仅使用基于内容的寻址（NMT 寻址的阶段 -1）。 更准确地说，控制器使用标准化的读取权重向量  ，将其与`M[t]`的行一起使用以生成读取向量，`r[t]`：
+MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此处的权重向量仅使用基于内容的寻址（NMT 寻址的阶段 -1）。 更准确地说，控制器使用标准化的读取权重向量`w[t]^r`，将其与`M[t]`的行一起使用以生成读取向量，`r[t]`：
-读取权重向量  由控制器产生，该控制器由以下操作定义：
+读取权重向量`w[t]^r`由控制器产生，该控制器由以下操作定义：
@@ -131,21 +131,21 @@ MANN 的读取操作与 NTM 的读取操作非常相似，唯一的区别是此
* **支持集**：训练集中的采样输入数据点（`x`，`y`）。
* **测试集**：来自训练集的采样数据点（`x`，*和*）。
-* **嵌入函数**（  ）：作为元学习器的一部分，*嵌入函数*与连体网络非常相似。 经过训练可以预测两个输入是否属于同一类。
-* **基本学习器模型**（  ）：基本学习器模型尝试完成实际的学习任务（例如，分类模型）。
-*  ：嵌入函数的快速权重，（ *  * ）。
-*  ：基本学习器模型的快速权重（ *  * ）。
-* * * ：一种 LSTM 架构，用于学习嵌入函数的快速权重  （（  ）的慢速网络。
-* * * ：通过`v`学习快速权重  参数化的神经网络，用于基础学习器  ，来自其损失梯度。
+* **嵌入函数**（`f[θ]`）：作为元学习器的一部分，*嵌入函数*与连体网络非常相似。 经过训练可以预测两个输入是否属于同一类。
+* **基本学习器模型**（`g[φ]`）：基本学习器模型尝试完成实际的学习任务（例如，分类模型）。
+* `θ⁺`：嵌入函数的快速权重，（`f[θ]`）。
+* `φ⁺`：基本学习器模型的快速权重（`g[φ]`）。
+* `F[w]`：一种 LSTM 架构，用于学习嵌入函数的快速权重`θ`（`f[θ]`）的慢速网络。
+* `G[v]`：通过`v`学习快速权重`φ`参数化的神经网络，用于基础学习器`g[φ]`，来自其损失梯度。
下图说明了元网络架构：
-如图所示，元学习器基础学习器由较慢的权重（  ）组成。 为了学习快速权重（  ），元网络使用两个不同的网络：
+如图所示，元学习器基础学习器由较慢的权重（`θ, φ`）组成。 为了学习快速权重（`θ⁺, φ⁺`），元网络使用两个不同的网络：
-* LSTM 网络（  ），学习嵌入函数的（元学习器）快速权重-即  。
-* 神经网络（  ），以学习基本学习器的快速权重，即  。
+* LSTM 网络（`F[w]`），学习嵌入函数的（元学习器）快速权重-即`θ⁺`。
+* 神经网络（`G[v]`），以学习基本学习器的快速权重，即`φ⁺`。
现在我们已经了解了快速权重和慢速权重的概念和架构，让我们尝试观察整个元网络架构：
--
GitLab