质能方程的表达是 E=mc2E = mc^2，这是一个伟大的发现。

块级公式：

∫−∞∞e−x2dx=π\int_{-\infty}^{\infty} e^{-x^2} dx = \sqrt{\pi}

μ=1n∑i=1nxiσ=1n∑i=1n(xi−μ)2+ε（加上一个小常数 ε 以防除零）归一化:x^i=xi−μσ\begin{aligned} \mu &= \frac{1}{n}\sum_{i=1}^{n} x_i \\ \sigma &= \sqrt{\frac{1}{n}\sum_{i=1}^{n} (x_i-\mu)^2 + \varepsilon} \qquad \text{（加上一个小常数 $\varepsilon$ 以防除零）} \\ \text{归一化:}\quad \hat{x}_i &= \frac{x_i - \mu}{\sigma} \end{aligned}

  1. 带 下划线 的文本
  2. 带 着重号 的文本
  3. 带 波浪线 的文本
  4. 带 删除线 的文本
  5. 键盘样式的文本 command + D
  6. 密码样式的文本：这里没有验证码

默认提示

这是一段普通的引用。

  • 作者

请注意操作顺序

  1. 第一步
  2. 第二步：查看详情

安装完成！

这里是配置细节…

为什么需要Embedding层？ 神经网络，包括Transformer，其核心是张量（数字矩阵）运算。它们无法直接处理人类可读的原始文本（字符串）。因此，我们需要一种方法将文本转换为数值表示。
⚠️ 注意事项 这里是警告内容...
💡 提示信息 这里是提示内容...

为什么需要Embedding层？
神经网络，包括Transformer，其核心是张量（数字矩阵）运算。它们无法直接处理人类可读的原始文本（字符串）。因此，我们需要一种方法将文本转换为数值表示。

为什么需要Embedding层？
神经网络，包括Transformer，其核心是张量（数字矩阵）运算。它们无法直接处理人类可读的原始文本（字符串）。因此，我们需要一种方法将文本转换为数值表示。