批歸一化（BatchNormalization）和層歸一化（LayerNormalization）是深度學習中廣泛應用的兩種數據歸一化方法，用于改善神經網絡的訓練性能。本文將從提出這兩種技術的原論文出發，詳細闡述技術背景、原理及基于Pytorch的實現方式。1.批歸一化（BatchNormalization）批歸一化由谷歌的SergeyIoffe和ChristianSzegedy于2015年在論文“BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift”中提...

對模型的泛化性能進行評估，不僅需要有效可行的試驗估計方法，還需要具有衡量模型泛化能力的評價標準，即性能度量。且在不同的任務中對比模型的性能時，使用不同的性能度量往往會導致不同的評判結果。在分類任務中，最常用的性能度量有錯誤率、精度、查準率、查全率、F1分數及AUCROC曲線。01錯誤率與精度(1)錯誤率(errorrate)是分類錯誤的樣本數占樣本總數（m）的比例。計算公式可表示為：(2)精度(accuracy)是分類正確的樣本數...

對模型的泛化性能進行評估，不僅需要有效可行的試驗估計方法，還需要具有衡量模型泛化能力的評價標準，即性能度量。且在不同的任務中對比模型的性能時，使用不同的性能度量往往會導致不同的評判結果。在分類任務中，最常用的性能度量有錯誤率、精度、查準率、查全率、F1分數及AUCROC曲線。本文將首先介紹錯誤率、精度、查準率、查全率、PR曲線與平衡點及F1分數的詳細原理。1.錯誤率與精度(1)錯誤率(errorrate)是分類錯誤的樣本...

阿里的Ma等人于2018年在論文《EntireSpaceMultiTaskModel:AnEffectiveApproachforEstimatingPostClickConversionRate》中提出了ESMM模型，用于建模電商推薦系統中點擊后轉化率的預估問題，同時有效緩解了樣本選擇偏差和數據稀疏問題。本文將從ESMM模型提出的背景、問題建模、模型原理及損失函數涉及方面進行詳細的闡述。1.ESMM模型背景（1）在電商推薦系統中，用戶的行為一般遵循“曝光點擊轉化”的順序，ESSM主要用于建模點擊...

Transformer模型的時間復雜度主要由其核心模塊自注意力機制和前饋神經網絡決定，其中自注意力機制的計算復雜度占主導地位。本文將從單個矩陣乘法的時間復雜度計算出發，分析自注意力機制、多頭注意力機制、前饋神經網絡的時間復雜度，從而得到整個Transformer模型的時間復雜度，并說明優化方法。1.單個矩陣乘法的時間復雜度2.自注意力機制的時間復雜度3.多頭自注意力機制的時間復雜度4.前饋神經網絡的時間復雜度5.Transformer模...

位置編碼（PostitionalEncoding）是Transformer架構中的關鍵技術之一。不同于卷積神經網絡利用局部感受野、共享權重和池化操作等機制，可以自然地感受輸入數據的空間位置信息，也不同于循環神經網絡憑借循環結構和隱藏狀態的記憶與更新機制，能夠隱式地捕捉輸入序列中的時間順序信息，Tranformer架構并未顯式地建模輸入序列中的絕對或相對位置信息，故需通過位置編碼技術顯式地注入位置信息，以使模型能更好地理解序列中不同位...

快手的Chang等人于2023年在論文《PEPNet:ParameterandEmbeddingPersonalizedNetworkforInfusingwithPersonalizedPriorInformation》中正式提出了PEPNet模型，用于建模推薦系統中的多任務多領域問題。本文將從PEPNet模型提出的動機、問題建模、模型結構及工程優化策略方面進行詳細的闡述。1.PEPNet模型的提出動機（1）多任務學習：出發點是不同的任務之間存在稀疏性和依賴性。但由于不同任務具有獨特的稀疏性和相互影響，很難在...

MMOE模型由谷歌研究團隊于2018年在論文《ModelingTaskRelationshipsinMultitaskLearningwithMultigateMixtureofExperts》中提出，是一種新穎的多任務學習框架，廣泛應用于推薦系統中。本文從技術背景、演化過程、計算原理、關鍵問題解析以及基于PyTorch的代碼實現方面對MMoE架構進行深入探究。1.技術背景（1）多任務學習的本質是共享表示以及相關任務的相互影響，多任務學習模型并不總是在所有任務上都優于相應的單任務模型。（...

圖1DeepSeekV2&DeepSeekV3基本架構。DeepSeekMoE架構的提出源于DeepSeek發表的論文《DeepSeekMoE:TowardsUltimateExpertSpecializationinMixtureofExpertsLanguageModels》，在DeepSeekV2、V3及R1中得到了更好的應用。1.DeepSeekMoE關鍵技術（1）DeepSeekMoE架構有兩個關鍵思想：細粒度專家劃分和共享專家隔離。細粒度專家細分以實現更高的專家專業化程度和更準確的知識獲取，共享專家隔離以減少專家之間的知識冗余。圖2DeepSee...

?DeepSeek的基本架構仍然在Transformer框架內，每個Transformer模塊由一個注意力模塊和一個前饋網絡組成。為實現更高效的推理和更經濟的訓練，在注意力和前饋網絡部分，設計并使用了創新的MLA（MultiHeadLatentAttention）和DeepSeekMoE架構。本文將從MLA的提出背景、技術原理、解耦RoPE策略及MHA與MLA的緩存對比方面進行詳細闡述。MLA是對多頭自注意力機制（MHA）的改進，其核心是對鍵（Keys）和值（Values）進行低秩聯合壓縮...