silicon

经过多天的写作与实验，今天终于把《基于Transformer的决策智能》系列文章写完了： 基于Transformer的决策智能 第一篇 Decision Intelligence初探 基于Transf

CRNN论文发表于2015年，最初被设计用于单行文本的识别，因为简单有效，所以直到今天依然应用广泛。 其网络结构较为简单： $ (B, C_{in},H_{in}, W_{in}) $ -- 特征提取

深度学习就是学习输入与输出之间的映射关系。 深度学习模型本质上只是个参数量很大的函数，其中函数的参数可以通过训练样本进行调整。 根据训练样本的不同，进一步可以分为以下几类： 一、给定输入以及对应的输出

上一篇：基于Transformer的决策智能 第三篇 BERT模型优化 我们先看看模型的输入： 2D的状态信息 16×16的状态信息，标记了障碍物位置、当前位置、目标位置 1D的补充信息 补充信息长度

上一篇：基于Transformer的决策智能 第二篇 BERT IS BETTER? 接上一篇，先分析一下失败的原因。随机生成10000条测试样本，错了34个，共三种错误： 1、与障碍物发生了碰撞，共

上一篇：基于Transformer的决策智能 第一篇 Decision Intelligence初探 接上一篇，相对于《基于Transformer的路径规划》中使用的GPT模型，BERT模型收敛要快很

自从特斯拉证明在自动驾驶场景端到端的深度学习模型能够替代人进行决策，一场巨大的技术变革将要到来。我想通过一些实验来建立自己对决策智能的初步认知。 说一下我对决策智能的理解： 智能体能感知到状态S（包括

上一篇：基于Transformer的路径规划 - 第四篇 GPT模型优化 在上一篇中，我尝试优化GPT路径生成模型，但没有成功。在随机生成的测试集上，路径规划成功率只有99%左右。而使用传统的路径规划

上一篇：基于Transformer的路径规划 - 第三篇 Attention Is All You Need 在上一篇中提到：一个由7层Transformer Decoder组成的GPT路径生成模型（