概念词汇表：B¶

本页整理拼音首字母为 B 的中文概念词条。词条正文由单词源文件 include 生成。

反向传播¶

• 含义: 反向传播是从输出端的损失出发，沿网络向前面的层反向计算各个参数对损失影响的过程。更准确地说，它沿计算图应用链式法则，把最终误差信号分配到中间激活值和权重上。
• 为什么重要: 如果不知道每个权重应该朝哪个方向调整，模型就无法有效降低损失。反向传播把“学习”变成可计算的梯度信号，而不是笼统的自动调整。它也说明了深层网络为什么能够通过系统地追踪各连接对最终误差的贡献来训练。
• 相关概念: 梯度, 损失函数, 链式法则
• 核心 Section: P5-5.1
• 出现 Section: P5-5.2, P5-6.1, P5-7.1

基准线¶

• 含义: 基准线是在解读当前数值时先放置的参照标准，用来把当前状态同平常区间或比较对象并排查看。它让数字不再孤立存在，而是回答“和什么相比发生了变化”。
• 为什么重要: 只看最近区间或某个事件的数值，很难判断到底发生了什么变化。基准线为运营数据、模型分数和比较报告提供共同参照，使读者先问“相对什么提高或偏离了多少”，而不是只看一个绝对值。
• 相关概念: 比较报告, 输出结构, 基准模型, 评估
• 核心 Section: P3-7.3
• 出现 Section: P3-1.1, P3-1.2, P3-2.2, P3-3.2, P3-4.1, P3-5.1, P3-7.1, P3-7.4, P3-7.5, P3-8.1, P3-9.1, P3-9.3, P3-summary, P4-8.2, P7-index, P7-1.1, P7-1.3, P7-2.2, P7-7.3, P7-summary

基准模型¶

• 含义: 基准模型是为了检查复杂模型是否真的带来有意义改进而先设定的最简单比较模型或分数标准。它先建立一个可解释的起点，再判断是否值得增加复杂度。
• 为什么重要: 分数看起来高，可能只是任务本身容易，而不一定是建模方法更好。基准模型固定候选模型至少需要超过的起点，使执行摘要和错误样本比较能够说明新模型到底改变了什么。
• 相关概念: 评估, 基准线, 模型选择, 任务定义
• 核心 Section: P4-8.2
• 出现 Section: P4-index, P4-6.1, P4-6.2, P4-9.1, P4-10.1, P4-12.1, P4-13.1, P4-15.1, P4-16.1, P4-summary, P7-index, P7-2.1, P7-4.2, P7-summary

基准窗口¶

• 含义: 基准窗口是为了同近期变化比较而被视为“平常状态”的时间段或观测区间。它不是所有过去数据，而是当前问题中被选作比较参照的区间。
• 为什么重要: 即使有基准线，如果不清楚哪个时期被当作平常状态，同一个数值变化也可能被夸大或缩小。基准窗口促使读者同时检查样本数、季节性、事件影响和渠道构成，再判断当前值是否偏离。
• 相关概念: 基准线, 样本, 比较表, 指标, 复盘
• 核心 Section: P7-1.3
• 出现 Section: P7-index, P7-7.3, P7-7.4, P7-summary

批次¶

• 含义: 批次是在一次处理中合在一起的一组项目。在运营语境中，它可以指把多个请求或任务一起处理；在深度学习中，它指一次送入计算的一组样本。共同点是把多个项目当作一个处理单位。
• 为什么重要: 批次会影响服务的吞吐量和成本，也会影响深度学习中的基本计算流程。批次大小会改变内存占用、梯度波动和训练速度，所以批次既是运营分组，也是训练过程的设计单位。
• 相关概念: 吞吐量, 操作, 张量
• 核心 Section: P1-14.6
• 出现 Section: P5-6.1, P5-9.2

批归一化¶

• 含义: 批归一化利用一个批次中的均值和方差重新整理激活值分布，使下一层接收到更容易处理的数值范围。它不是只用于输入预处理，而是网络内部的稳定化步骤。
• 为什么重要: 在深层网络中，激活值分布不断变化会让训练变得不稳定。批归一化帮助稳定计算，也帮助读者理解为什么同一层在训练模式和评估模式下会使用不同的统计规则。
• 相关概念: 训练模式, 评估模式, 数值稳定性
• 核心 Section: P5-8.3
• 出现 Section: P5-6.3, P5-8.1

BERT¶

• 含义: BERT 是以 Transformer 编码器为基础、通过预训练学习整体输入上下文表示的代表性语言模型系列。它更适合理解为面向上下文表示的模型，而不是主要从左到右续写文本的模型。
• 为什么重要: BERT 可以帮助读者把同属 Transformer 的模型按结构和训练目标区分开。编码器中心的模型常用于情感分类、句子关系判断、搜索表示抽取等更偏理解的任务。
• 相关概念: 编码器, 预训练, 上下文表示
• 核心 Section: P6-20.1
• 出现 Section: P1-11.3, P6-20.2

偏见¶

• 含义: 偏见是 AI 系统对某些人、群体或情境反复产生更不利或扭曲结果的问题。它不是一次性的错误预测，而是追问失败是否更常集中到谁身上、并朝什么方向集中。
• 为什么重要: 偏见可能来自数据收集、标签标准、特征选择、评估方式和使用场景，并不只是不良意图的问题。模型平均性能看起来不错，也可能对某些群体造成集中伤害，因此需要单独检查群体层面的错误模式和运营语境。
• 相关概念: 安全性, 责任, 人工监督
• 核心 Section: P1-15.1

偏置项¶

• 含义: 偏置项是在输入信号很弱或为零时，仍然用来调整输出默认位置的模型参数。它类似直线方程中的截距，独立于输入权重来移动输出的起点。
• 为什么重要: 权重说明输入如何影响输出，但不能单独决定输出的默认起点。偏置项让读者看到，训练既会调整输入影响，也会调整基础输出位置，这对理解线性模型和神经网络层都很重要。
• 相关概念: 权重, 参数, 训练
• 核心 Section: P1-5.1

布尔掩码¶

• 含义: 布尔掩码是用同样长度或兼容形状的真/假数组来选择值的方法。它不是直接写出位置编号，而是先计算条件是否成立，再保留条件为真的元素。
• 为什么重要: 在数据预处理和数组计算中，布尔掩码让选择逻辑从“第几个”转为“满足什么条件”。它不同于简单切片，因为结果形状和复制行为可能变化，读者需要用它来正确理解筛选样本和条件数组操作。
• 相关概念: 筛选, 花式索引, 复制
• 核心 Section: P2-11.4
• 出现 Section: P2-12.2

边界框¶

• 含义: 边界框是用矩形区域表示图像中物体位置的表达方式。它通常用左上角和右下角坐标，或中心点加宽度、高度来记录物体从哪里开始、占据多大范围。
• 为什么重要: 目标检测不仅要回答“有什么”，还要回答“在哪里”。边界框把位置和类别输出结构清楚地表现出来，同时也提醒读者它不同于像素级分割，后者试图描述物体的精确轮廓。
• 相关概念: 目标检测, YOLO, 图像识别
• 核心 Section: P1-9.2
• 出现 Section: P1-10.1

BPE，字节对编码¶

• 含义: BPE（字节对编码）是一类分词方法，它通过不断合并经常一起出现的字符片段或子词片段来构建子词词表。它从较小单位开始，逐步把高频组合当作更大的 token 单位。
• 为什么重要: BPE 说明分词不是简单按空格切分。学到的词表会影响 token 数、成本以及稀有词或高频词的切分方式，因此用户看到的文本长度和模型实际计算的长度可能不同。
• 相关概念: 分词, WordPiece, SentencePiece
• 核心 Section: P6-2.2
• 出现 Section: P6-2.2, P7-4.1

分支¶

• 含义: 分支是在同一个仓库中把工作流程分开推进的命名历史线。它看起来像复制了一份文件，但本质上是在同一项目里区分不同修改历史和发布准备状态。
• 为什么重要: 分支可以把正在撰写的内容、实验性修改和可发布版本分开。这个概念让读者理解，同一个文件处在哪个分支上，会直接改变它的公开范围和工作目的。
• 相关概念: 提交, 部署, 工作流
• 核心 Section: P2-14.2
• 出现 Section: P2-14.1, P7-7.1

广播¶

• 含义: 广播是 NumPy 的计算规则，允许形状兼容的小数组或标量应用到更大的数组计算中。它更适合理解为一种 shape 解读规则，而不是手动把值复制成巨大数组。
• 为什么重要: 广播帮助读者理解为什么短短的数组表达式可以沿某些轴应用值，而不需要显式循环。它也能解释代码能运行却沿着非预期方向扩展数值的问题。
• 相关概念: 向量化, shape, 标量
• 核心 Section: P2-11.3
• 出现 Section: P2-11.4, P2-12.1

暴力搜索¶

• 含义: 暴力搜索把查询向量同所有已保存向量逐一直接比较，以找到最近的候选项。它不使用中间捷径，而是完整检查全部候选集合。
• 为什么重要: 在数据很小时，暴力搜索简单且精确。随着向量集合变大，它说明为什么需要搜索索引和近似最近邻方法：比较次数会随着候选数量直接增加。
• 相关概念: 搜索索引, 近似最近邻, 相似度搜索
• 核心 Section: P1-13.4
• 出现 Section: P1-13.2