背景

LSTM主要是用于解决递归网络中梯度指数级消失或者梯度爆炸的问题

https://www.youtube.com/watch?v=YCzL96nL7j0&t=267s
LSTM和RNN主要的区别就在于：LSTM有两条记忆链，一条短期记忆，一条长期记忆。

主要分成三个模块 - Forget Gate: 决定遗忘多少长期记忆 - Input Gate: 决定将多少当前输入存入长期记忆 - Output Gate: 基于短期记忆和输入决定输出的百分比，乘上长期记忆激活后的值，获得新的短期记忆，也就是输出。 这里gate的概念启发了grConv[[On the Properties of Neural Machine Translation= Encoder–Decoder Approaches]]

概要

对比了 RNN Encoder-Decoder 和 GRU(new proposed)之间的翻译能力，发现GRU更具优势且能够理解语法。

背景

RNN Encoder–Decoder

因为会把要翻译的语句映射到固定长度的vector所以训练需要的内存空间是固定的且很小，500M和几十G形成对比。
但也有问题：

As this approach is relatively new, there has not been much work on analyzing the properties and behavior of these models. For instance: What are the properties of sentences on which this approach performs better? How does the choice of source/target vocabulary affect the performance? In which cases does the neural machine translation fail?

不够Fancy的地方：

• 随着源句长度的增加，神经机器翻译模型的性能迅速下降。
• 词汇量的大小对翻译效果有很大的影响。

Encoder For Variable-Length Sequences

RNN

递归神经网络(RNN)在变长序列x = ( x1 , x2, … , xT)上通过保持隐藏状态h随时间变化而工作

grConv

这是本文提出的用于替换RNN Encoder-Decoder 中的Encoder的一种新的神经网络，文中称为：gated recursive convolutional neural network (grConv)

如图a为Recursive convolutional NN (这是啥？) #question 图b为grConv grConv则是让隐藏层通过训练w参数可以从三个输入中挑选： 其中 $\omega_c+\omega_l+\omega_r=1$ 由此便获得了如图c,d所示的自主学习语法结构的能力。 非常直观的图 #paradigm

Background: RNN

首先介绍了RNN通过hidden state来实现记忆力功能

但指出RNN的训练有梯度消失/爆炸的现象，且记忆会沿序列长度的增加而指数下降，缺乏长期记忆能力。 解决梯度消失/爆炸目前有梯度裁剪和二阶梯度的方法，但成效并不显著

Gated RNN

[[On the Properties of Neural Machine Translation= Encoder–Decoder Approaches]]

概要

Transformer是一种基于注意力机制，完全不需要递归或卷积网络的序列预测模型，且更易于训练

背景

介绍了Gated-RNN/LSTM的基本逻辑[[Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling]]，指出:
这种固有的顺序性质阻碍了训练示例中的并行化，这在较长的序列长度上变得至关重要，因为内存限制限制了示例之间的批处理，虽然后续有相关工作优化了一些性能，但是基本的限制并没有解除。

前言

根据github托管仓库的提交记录，我的这个博客网建于2022/4/10，倒也是马上就要了两周年了，去年这会很忙，倒是没想到做一个一周年回顾，这次就一起补上吧。
近日小小燃起了一下修缮博客的激情，比如加了桌宠，播放器，亚克力风格的卡片，圆角，目录卡片之类的。也奇怪，似乎我就是非常热衷于做这些很游离的事情，做了，会花很多时间，不做也不会怎么样。想说自己还是有颗匠人/艺术家的心，还是很痴迷于这种永远在路上的项目的。做这些可爱的，美美的东西，真的很治愈啊。很多项目，很多科研，换个人，一样做，但博客，模组，辩论这些东西才是真正反映我们内核的东西。

始

点开了好多好多软件的年度报告。惊讶于原来今年是从那个时间点开始的，原来今年发生了这么多的事情。

代码

2023：1054 contributions on github

给现代空战模组进行了阶段性的收尾，工坊订阅人数到达了17k，有很多老外和群外的玩家都非常感兴趣，工坊首页中包含这个mod的载具也越来越多了，很高兴给这么多玩家的飞行载具注入了灵魂。

因为我原本是做木船出身，自然而然得就想着做一个适配二战海战的模组，事实上过程也非常顺利，将整个系统做得非常简明，用过都说好！但由于木船本身就是一个很小的圈子，所以订阅人数不多，刚到1k6。之后又爆肝加上了航母，舰载机系统，至此包含了二战海战中绝大部分的元素。

连续开发完两个mod也意识到玩家往往都会有个性需求，沙盒玩家更是如此，再加上我认为这两个mod有些地方存在共性，所以准备再开一个新坑，往游戏中加入数电的特色，玩家可以通过自己搭配原件来实现自己想要的效果，这样一来，海陆空现代战争的需求就都可以被满足。目前该mod仍然处于起步阶段。

科研

科研，也就那样啦，没发表什么paper，苦力活倒是干了不少。在电院的智能车实验室打杂，从零开发驾驶仿真平台，毕老师手下给ipp复现论文改代码，管理两个机器人小组的项目进度…希望明年能有意思一点（求师兄们捞捞啊）？不过虽说是打杂，倒也是积累了不少经验，譬如很多github的PR，ISSUE的开发习惯都是在电院的组里习得的，再就是也知道了骨骼模型的RNN是怎么一回事，啥是transformer。比起大一大二自己埋头做项目能习得的专项性知识更深入。大概也算是知道了当码仔大概是个什么样的生活（虽然从之前大二实习经历已经可见一斑）。写代码满足别人的需求有时候真的很无语，肯定给自己的idea写代码更有意思。

保研

保研确实是件头痛的事情，说实话我本来对此也没什么紧迫感，毕竟此前的政策一直是过GPA过3.0，保本院在名额上就不会有问题。然后就把被告知今年保研名额对于排名有要求，索性距离不大，努力一下。卷了一个学期成功加了0.15个绩点，保险起见还让毕老师写了一个reference（虽然感觉金力的推荐信也有点像reference）。历经两次meeting，两次小笔试，毕老师给了我一个研究生名额，他可能比较看重我之前做机器人的经验和自学这块的能力，可能还有这股愣头青的冲劲。参加完夏令营之后，就成了毕老师的硕士，他说是会按照博士的标准培养我，但其实我对于他手下硕博培养之间的区别也不慎了解。不过终归是求仁得仁。

恋爱

之前感觉我就是恋爱绝缘体，我知道，智者不入爱河。但就是突然看到永夜的天穹被阳光肆意地撕开了一角，而我也对那缕亮色，着迷了。在遇到gxy前我认为我不是一个会一见钟情的人，但显然我错得离谱。和她的第一次见面，我不敢看她，也不敢和她过多交流，但和她第二次见面的那个下午，基本就奠定，我已经在这场游戏中成为了猎物。我们发展地很快，我无可救药地爱上了这位向我敞开心扉的女孩，并确定了关系，我爱她的不屈，爱她有我没有的东西，爱她对我的包容，也爱上了这种被她喜欢，被她关心，被她倾听的感觉，这是我一直缺少的，但却又一直没意识到的东西。我意识到我已经回不去之前那种虚幻的，自给自足，“我就是我世界里的王”的心境了。恋爱如泡沫般易碎，美梦也会有梦醒的那一天，到时候我又应该如何自处。解决方案很简单，那就是一直一直和她在一起，但谈恋爱本身又是两个人之间的事情，不是我一个人能决定的。gxy真的是一个很好的女孩，但我真的很担心她某一天突然发觉我不是她在感情上需要的那个人，在太多太多事情上我没法给她足够的支持，在太多太多事情上我笨拙到令人发指。这就是一个我这个小男孩在初恋第73天心里会有的迷茫。