机器学习

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，

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（

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。

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。

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。