https://www.xin800.com/Recent content on 标准答案Hugozh-CNWed, 05 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-tensor/Wed, 05 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-tensor/不要被数学吓到：张量就是装数据的多维盒子，AI模型的统一数据容器。 - 0维张量 = 单个数字：85，一个数值，比如某一天销量 - 1维张量 = 一维数组（向量）：[12,45,33]，好比一张表格的一行，3个SKU的销量 - 2维张量 = 矩阵：表格，行=样本，列=特征。比如100条历史销售记录，https://www.xin800.com/post/why-transformer-6-layers/Wed, 05 Aug 2026 00:00:00 +0000https://www.xin800.com/post/why-transformer-6-layers/业务通俗比喻 把每一层Block想象成一道加工工序： - 第1‑2层：看懂字面、词语、局部语法（看懂相邻词语关系） - 第3‑4层：理解句子句法、短语关系 - 第5‑6层：提炼全局深层语义、长距离逻辑（跨很远的词的指代、逻辑） 句子（张量）一层层流过每道工序，逐层把原始输入打磨成高级语义特征。 👉https://www.xin800.com/post/what-is-cross-entropy/Mon, 03 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-cross-entropy/翻译 交叉熵；在Transformer训练场景完整叫法：交叉熵损失函数 一、一句话业务通俗定义 对比两组概率分布： 一组=模型预测出来的概率（Softmax输出） 一组=标准答案（真实单词的One-Hot向量） 交叉熵算出两者之间的差距，差距越大=损失越高，用来指导模型自我修正。 供应链生活化例子（https://www.xin800.com/post/what-is-greedy-decoding/Mon, 03 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-greedy-decoding/中文标准名称：贪心解码 / 贪心搜索 一句话核心定义 大模型逐字生成文本时，每一步只挑选当前概率最高的词（argmax），选定之后不再回头、不保留其他备选方案，一条路走到结束。 简单数字例子（完整链路串联） 上文：零部件库存不足 模型输出Logits → Softmax算出候选词概率： 缺货：0.6https://www.xin800.com/post/what-is-one-hot-encoding/Mon, 03 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-one-hot-encoding/中文标准叫法：独热编码 一、一句话通俗定义 先建立词汇表，给每个词语分配唯一编号（index索引）； 把词语转换成一串数字向量：只有自己索引位置写1，剩下全部填0。 直观小例子 词汇表：【汽车配件，零部件，缺货，物流】一共4个词 - 汽车配件（索引0） → [1, 0, 0, 0] - 零部件（索引https://www.xin800.com/post/what-is-beam-search/Mon, 03 Aug 2026 00:00:00 +0000https://www.xin800.com/post/what-is-beam-search/一句话定义 文本生成时，不单单只保留一条句子，同步维持 K 条最优候选句子（K叫束宽 beam size）。每一步新词预测后，筛选总分最高的K条继续推演，直到生成结束，最后选出综合得分最高的句子作为结果。 生活化类比 你想爬山找最佳观景路线。 - 贪心解码：每次岔路口只选当下看起来最好走的一条路，一https://www.xin800.com/post/transformer-attention-pipeline/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/transformer-attention-pipeline/从向量到QKV到点积到缩放到Softmax到加权融合，完整的Transformer注意力流程，全程业务语言，供应链案例贯穿。https://www.xin800.com/post/what-is-cross-attention/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/what-is-cross-attention/交叉注意力机制实现两组不同业务信息之间的关联匹配，Q来自A数据集，K/V来自B数据集，是机器翻译和知识库匹配的核心技术。https://www.xin800.com/post/what-is-cosine-similarity/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/what-is-cosine-similarity/余弦相似度是衡量两段文本语义相似程度的打分方法，只对比方向不看长短，是文本语义匹配的首选方案。https://www.xin800.com/post/what-is-vector/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/what-is-vector/用纯业务语言解释向量的概念：向量就是把文字翻译成一串标准化数字，让计算机能理解和对比。https://www.xin800.com/post/what-is-euclidean-distance/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/what-is-euclidean-distance/欧氏距离用来衡量两组特征整体的远近程度，同时兼顾方向与数值幅度，是结构化数值对比的首选方法。https://www.xin800.com/post/what-is-self-attention/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/what-is-self-attention/自注意力机制实现同一组数据内部所有条目的两两关联计算，依靠QKV向量与相似度打分自动识别远距离业务关联，是Transformer的核心基础。https://www.xin800.com/about/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/about/<h2 id="关于我">关于我</h2> <p>你好，我是 Xin，一个热爱技术的开发者。</p> <h3 id="联系方式">联系方式</h3> <ul> <li>GitHub: <a href="https://github.com/">github.com/</a></li> <li>RSS: <a href="https://www.xin800.com/index.xml">订阅更新</a></li> </ul>https://www.xin800.com/post/how-to-judge-vector-proximity/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/how-to-judge-vector-proximity/详解向量相似度判断的底层逻辑：向量不是逐字编码，而是整体语义的打包。通过余弦相似度衡量方向重合度。https://www.xin800.com/post/multi-head-attention/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/multi-head-attention/多头注意力赋予注意力多种子表达方式，8组独立QKV矩阵并行分析，同时捕捉因果、时序、实体、动作等多种关系。https://www.xin800.com/post/hello-world/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/hello-world/标准答案博客正式上线了。这里将记录技术探索、开发心得和实验成果。https://www.xin800.com/post/euclidean-distance-logistics/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/euclidean-distance-logistics/物流网点片区划分、配送路线聚合场景中，欧氏距离不只判断地理远近，还能兼顾货量、时效等量化指标。https://www.xin800.com/post/euclidean-distance-use-cases/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/euclidean-distance-use-cases/欧氏距离同时考量特征方向和数值大小，适合结构化数值聚类、备件指标分类、坐标点位匹配等场景。https://www.xin800.com/post/dot-product-vs-cosine/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/dot-product-vs-cosine/通过Q-K点积自动算出任意两条业务信息之间关联程度，详解Thing、query-vector、key-vec等概念，区分点积与余弦相似度的本质差异。https://www.xin800.com/post/dot-product-business/Fri, 31 Jul 2026 00:00:00 +0000https://www.xin800.com/post/dot-product-business/点积是一套快速计算公式，用来衡量两组向量大方向是否一致，输出一个数字代表匹配程度，是注意力机制计算关联程度的基础运算。