感知机学习算法可以直观解释为：当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整模型权重，使分离超平面向该误分类点的一侧移动，以减少该误分类点与超平面之间的距离，直至超平面越过该误分类点使其被正确分类。

对比学习的核心训练信号是图片的“（）”。

Google与Facebook分别提出SimCLR与MoCo两个算法，实现在（）上学习图像数据表征。两个算法背后的框架都是对比学习（contrastivelearning）

（）采用多种乐器的音频数据，可融合多种国家、乐曲风格和乐器音色的特征，创作音乐作品。

（）的核心训练信号是图片的“可区分性”。模型需要区分两个输入是来自于同一图片的不同视角，还是来自完全不同的两张图片。

图像数字化分为两个步骤：一为取样，二为（）。

图计算中图数据往往是（）和不规则的，在利用分布式框架进行图计算时，首先需要对图进行划分，将负载分配到各个节点上

循环神经网在工业上最常用的两种实现是：①.LSTM②.GRU③.CNN④.DNN

循环神经网络优于全连接网络的一个原因是循环神经网络实现了权值共享，那么权值共享的好处有：①.模型参数变少②.运算速度变快③.占用内存少④.所有权值都共享同一个值

为什么不能用多层全连接网络解决命名实体识别问题：

循环神经网络之所以有作用是因为：