第二日一早九点，苏飞背着书包就准时来到了计科306，让他没想到的是，306居然坐满了人，而他一进去，闲聊的学员们就忽然沉默下来，齐刷刷地把视线投到他身上。
这让苏飞多少有点尴尬，他就是个旁听生，怎么还成焦点了，让他有些紧张。
他沿着墙打算找个角落坐下，可屁股还没落座呢，一旁的学员却疑惑地问：“学弟，你坐下干嘛？上去讲课啊。”
苏飞愕然：“我就是个听课的啊？”
姜大小姐也没说他要上去讲啊？难道这是社团习俗？
“我们都是来听你讲课的啊。”那学员吃了一惊，心想这学弟不是被誉为机器学习领域的新星么？怎么感觉呆呆的。
“啊？”苏飞环视一周，发现姜大小姐居然不在。
“快上去呀，大家都等着呢。”旁边的另一个学员催促道。
“哦......哦，那行吧。”
望着齐刷刷看向自己的学长学姐们，他也有些自我怀疑，难道姜大小姐早就想到我会整理TagLM的相关知识并且提出一个新想法，所以让我先大致讲讲我的构想？
他犹豫了片刻，说道：“我对机器学习和深度学习的理解其实比较浅薄，相较在座的各位，经验非常不足，如果有什么错误的地方还请多担待。”
没有他预想里的鼓励加油，众人都一副冷漠的态度。
搞什么，AI研究社的人都和姜倾雪一样是个冰块？
可一想到姜大小姐这座钻石矿，苏飞还是不情不愿地上台。
苏飞打开书包，拿出准备好的U盘，里边有他昨天的构想，将资料投屏到306的屏幕上。
“基于TagLM的深度上下文词向量预训练？不是说要讲讲机器学习的核函数升维方法么？怎么突然改换深度学习了？而且还是自然语言处理？”
下面的一些学员顿时有些迷惑了，这和他们接到的通知不一样啊。
“我想讲一讲我对TagLM的理解，大家可能都比较熟悉TagLM这个模型，但我不想从计算机系的角度去理解，而是从数学系的角度去理解。”
“TagLM的主要贡献其实就是预训练，分三个步骤完成词向量的预训练，前两个步骤的结果拼接起来放到第三个部分进行预测......”
听着苏飞的讲课，众人表情微变。
“这完全就是基础课啊。”
“TagLM，我们社不是研究过好多遍了么？”
“顾行之不是机器学习的么？怎么跳到深度学习了？”
“顾行之名不副实啊。”
苏飞内心暗道果然，这些知识对于普通的本科生来说是超纲知识，但对于AI研究社的学长学姐来说，都只是基础。
于是，他也不准备藏着掖着了，开始进入正题。
“上述所说的都是基于编程知识，对TagLM做的一个简单的概括。那么我接下来就用数学知识来阐述一下我的看法。我想大家也知道，TagLM基于的循环式神经网络在数学上其实就是一个矩阵，用线性代数的角度去想，训练的过程无非就是更新矩阵的参数罢了。”
“但是，为什么TagLM的拼接操作会被人诟病，为什么分成三部来训练就会有不小的误差呢？这个问题不仅困扰着TagLM，而且困扰着与之相关的FastText和ULM模型。我想，深度学习教科书上也不会解释，因为大家都说深度学习是个黑盒，很难解释原理。”
“但，仅针对这个问题，我从数学的角度理解，应当是......”
随着苏飞讲解的深入，众人一改之前的神色，他们发现，这小学弟还真有实力。
众人纷纷打开笔记本，开始记下苏飞的独特见解。
......
此时，姜大小姐才赶回306，来到306门前，正准备推门进来，却发现有人在讲课，顿时停下了动作。
“顾行之刚跟我说有事不来，怎么还有人在讲课？”
姜倾雪越看那人越觉得熟悉，看到PPT上大大的“TagLM”，这才想起，这不是图书馆那日的......苏飞？
姜倾雪出于礼貌，没有立刻开门，而是在门口静静地聆听了几分钟，听着苏飞从数学角度的讲解。
‘叮！目标好感度+1，目前好感度22。’
‘叮！目标好感度+1，目前好感度23。’
...
‘叮！目标好感度+1，目前好感度30。’
系统的声音让正在讲课的苏飞一顿，随即便意识到，姜大小姐回来了？
于是，他又环视了一周，发现在门口站着的那位冰山美人。
“学弟，继续讲啊，刚刚说的两种模态差异的数学表示到底是什么？”
“实在是太精辟了，真的没想到，小学弟研究TagLM到了这种地步，我还从未见过有人能用数学把这个模型讲的这么清晰。”
“虽然涉及到的数学知识只有高等线代和高等数学，但没有把这两本书吃透，根本没法有这样的理解，我们AI研究社专注研究模型结构，忽略了基础的数学理论，学弟你这堂课我们真是受益匪浅！”
本小章还未完，请点击下一页继续阅读后面精彩内容！