⋃? 44 概率论与数理统计-古典型概率 定义：试验?中样本点是有限的，出现每一样本点的概率是相同 。 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记? ={ 摸到红球 }，求?(?)。 A = 1,2,3 ⇒ ? ? = 3 8 S = 1,2, … , 8 ? ? = ?所包含的样本点数 ?中的样本点数 45 概率论与数理统计 (1) 条件概率: ?(?|?) = ?(??) ?(?) ,表示?发生的条件下，?发生的概率 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记A={ 摸到红球 }，求P(A)。 A = 1,2,3 ⇒ ? ? = 3 8 (2) 全概率公式： ?(?) = σ?=1 ? ?(?|??)?(??), ???

⋃? 45 概率论与数理统计-古典型概率 定义：试验?中样本点是有限的，出现每一样本点的概率是相同 。 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记? ={ 摸到红球 }，求?(?)。 A = 1,2,3 ⇒ ? ? = 3 8 S = 1,2, … , 8 ? ? = ?所包含的样本点数 ?中的样本点数 46 概率论与数理统计 (1) 条件概率: ?(?|?) = ?(??) ?(?) ,表示?发生的条件下，?发生的概率 一袋中有8个球，编号为1－8，其中1－3号为红球，4－8号为黄球， 设摸到每一球的可能性相等，从中随机摸一球，记A={ 摸到红球 }，求P(A)。 A = 1,2,3 ⇒ ? ? = 3 8 (2) 全概率公式： ?(?) = σ?=1 ? ?(?|??)?(??), ???

当处理图像数据时，每一张单独的照片即为一个样本，它的特征由每个像素数值的有序列表表示。比如， 200 × 200彩色照片由200 × 200 × 3 = 120000个数值组成，其中的“3”对应于每个空间位置的红、绿、蓝通 道的强度。再比如，对于一组医疗数据，给定一组标准的特征（如年龄、生命体征和诊断），此数据可以用来 尝试预测患者是否会存活。 当每个样本的特征类别数量都是相同的时候，其特征向量是固定长度的，这个长度被称为数据的维数（di‐ d2l.ai/t/1851 6.3. 填充和步幅 231 6.4 多输入多输出通道 虽然我们在 6.1.4节中描述了构成每个图像的多个通道和多层卷积层。例如彩色图像具有标准的RGB通道来 代表红、绿和蓝。但是到目前为止，我们仅展示了单个输入和单个输出通道的简化例子。这使得我们可以将 输入、卷积核和输出看作二维张量。 当我们添加通道时，我们的输入和隐藏的表示都变成了三维张量。例如，每个RGB输入图像具有3 的。换句话说，这个咖啡杯在这种视觉环境中是突出和显眼的，不由自主地引起人们的注意。所以我们会把 视力最敏锐的地方放到咖啡上，如 图10.1.1所示。 图10.1.1: 由于突出性的非自主性提示（红杯子），注意力不自主地指向了咖啡杯 382 10. 注意力机制 喝咖啡后，我们会变得兴奋并想读书，所以转过头，重新聚焦眼睛，然后看看书，就像 图10.1.2中描述那样。 与 图10.1.1中由于

Zero 智能程序相继打败人类顶级围棋专家李世石、柯洁等；在多智能体协作的 Dota2 游戏 平台，OpenAI 开发的 OpenAI Five 智能程序在受限游戏环境中打败了 TI8 冠军队伍 OG 队，展现出了大量专业级的高层智能操作。图 1.9 列出了 2006 年~2019 年之间重大的时间 节点。 预览版202112 1.3 深度学习特点 7 2006 DBN深度 置信网络