¿Qué debo hacer si ingreso una tarjeta de crédito en el área de cambio de ID de Apple? Se recomienda crear un Apple ID de EE. UU. No es necesario vincular una tarjeta de crédito o una tarjeta bancaria al cambiar de región. Puede modificarlo directamente después de iniciar sesión en su cuenta en appleid.apple.com. Puede seleccionar Ninguno directamente en el método de pago. Puede buscar el código postal y el número de teléfono en Baidu (puede completar el número de teléfono de manera informal) y podrá encontrarlos en poco tiempo.

上篇: 下篇: ¿Cuáles son las entradas y salidas de la red neuronal LSTM? Las entradas y salidas son vectores o matrices. Si usa LSTM para la clasificación, generalmente usará una capa softmax. Mi comprensión personal es relativamente superficial. Tomemos como ejemplo la clasificación del reconocimiento de acciones. Cada marco de acción se entrena en LSTM, o el peso de cada unidad LSTM se entrena de acuerdo con la tarea. Por lo tanto, el número de unidades de LSTM no tiene nada que ver con la entrada y salida, e incluso se pueden superponer varias capas de LSTM. Para la clasificación, la última unidad generalmente está conectada a la capa softmax. La estructura LSTM es una extensión de la estructura RNN tradicional, que resuelve el problema de la desaparición/explosión de gradiente del RNN tradicional, lo que facilita el entrenamiento de redes profundas. Desde esta perspectiva, podría ser mucho más fácil. ResNet de este año también facilita el entrenamiento de pesos CNN tradicionales. Parece que el aprendizaje profundo es cada vez más profundo. Si el entrenamiento es la clave, el llamado LSTUnroll expande RNN a una red estática "paralela" con "conexiones horizontales" en su interior para realizar la función de memoria a corto plazo (estado "memoria" en LSTMCell). Si hablamos de predicción, también es clave obtener H y C de la celda como el estado actual (la llamada "memoria") como entrada del parámetro inicial, para que la red del estado de memoria actual pueda predecir el siguiente. entrada, la llamada recursividad. El código también contiene una implementación integrada que utiliza cudnn, que es una versión de alto rendimiento que realmente funciona. Originalmente intenté entender algunas fórmulas del Libro Celestial, pero pronto descubrí que fue un error comenzar por ahí. Muy recomendado: Comprensión de las redes LSTM (traducido de UnderstandingLSTMNetworks) Siempre que tenga un poco de conceptos básicos de CNN + media hora, podrá comprender los principios básicos de LSTM a través de este artículo. Para responder a tu pregunta: no tiene nada que ver con la cantidad de neuronas. No sé cómo entiendes el concepto de "neurona". Las capas de entrada y salida solo necesitan garantizar que las dimensiones del tensor sean consistentes con la entrada y la salida.