• ==================【DeepLearningBook_097.txt】================== Sup ervised learning provides a very strong clue: a lab el y , presented with eac h x , that usually sp ecifies the v alue of at least one of the factors of v ariation directly . More generally , to mak e use of abundant unlab eled data, representation learning makes use of other, less direct, hin ts ab out the underlying factors. These hin ts take the form of implicit prior b eliefs that we, the designers of the learning algorithm, imp ose in order to guide the learner. Results such as the no free lunc h theorem sho w that regularization strategies are necessary to obtain go o d generalization. While it is imp ossible to find a universally sup erior regularization strategy , one goal of deep learning is to find a set of fairly generic regularization strategies that are applicable to a wide v ariety of AI tasks, similar to the tasks that people and animals are able to solve. W e pro vide here a list of these generic regularization strategies. The list is 556 --- Page Break --- CHAPTER 15. REPRESEN T A TION LEARNING clearly not exhaustive, but gives some concrete examples of wa ys that learning algorithms can b e encouraged to discov er features that corresp ond to underlying factors. This list w as introduced in Sec. 3.1 of ( ) and has b een Bengio et al. 2013d partially expanded here. • Smo othness : This is the assumption that f ( x +  d ) ≈ f ( x ) for unit d and small . This assumption allo ws the learner to generalize from training  examples to nearb y p oin ts in input space. Man y machine learning algorithms lev erage this idea, but it is insufficient to o v ercome the curse of dimensionalit y . • Linearit y : Many learning algorithms assume that relationships betw een some v ariables are linear. This allows the algorithm to make predictions ev en v ery far from the observed data, but can sometimes lead to ov erly extreme predictions. Most simple mac hine learning algorithms that do not mak e the smo othness assumption instead make the linearity assumption. These are in fact differen t assumptions—lin ear functions with large w eigh ts applied to high-dimensional spaces ma y not b e v ery smo oth. See Go o dfello w et al. ( ) for a further discussion of the limitations of the linearity assumption. 2014b • Multiple explanatory factors : Many representation learning algorithms are motiv ated by the assumption that the data is generated b y m ultiple underlying explanatory factors, and that most tasks can b e solved easily giv en the state of each of these factors. Sec. describ es how this view 15.3 motiv ates semi-sup ervised learning via representation learning. Learning the structure of p ( x ) requires learning some of the same features that are useful for mo deling p ( y x | ) b ecause b oth refer to the same underlying explanatory factors. Sec. describes ho w this view motiv ates the use of 15.4 distributed representations, with separate directions in represen tation space corresp onding to separate factors of v ariation. • Causal factors : the mo del is constructed in suc h a w a y that it treats the factors of v ariation describ ed by the learned represen tation h as the causes of the observ ed data x , and not vice-v ersa. As discussed in Sec. , this 15.3 is adv antageous for semi-sup ervised learning and makes the learned mo del more robust when the distribution ov er the underlying causes c hanges or when we use the mo del for a new task. • Depth , or a hierarchical organization of explanatory factors : High- lev el, abstract concepts can b e defined in terms of simple concepts, forming a hierarc h y . F rom another p oint of view, the use of a deep arc hitecture expresses our b elief that the task should b e accomplished via a m ulti-step program, 557 --- Page Break --- CHAPTER 15. REPRESEN T A TION LEARNING with eac h step referring back to the output of the pro cessing accomplished via previous steps. • Shared factors across tasks : In the con text where we hav e many tasks, corresp onding to differen t y i v ariables sharing the same input x or where eac h task is asso ciated with a subset or a function f ( ) i ( x ) of a global input x , the assumption is that each y i is asso ciated with a different subset from a common p o ol of relev ant factors h . Because these subsets o v erlap, learning all the P ( y i | x ) via a shared intermediate representation P ( h x | ) allo ws sharing of statistical strength b etw een the tasks. • Manifolds : Probability mass concen trates, and the regions in which it con- cen trates are lo cally connected and o ccupy a tiny volume. In the con tin uous case, these regions can be appro ximated b y low-dimensional manifolds with a muc h smaller dimensionalit y than the original space where the data lives. Man y machine learning algorithms behav e sensibly only on this manifold ( , ). Some machine learning algorithms, esp ecially Go odfellow et al. 2014b auto encoders, attempt to explicitly learn the structure of the manifold. • Natural clustering : Many machine learning algorithms assume that eac h connected manifold in the input space ma y b e assigned to a single class. The data ma y lie on many disconnected manifolds, but the class remains constant within each one of these. This assumption motiv ates a v ariety of learning algorithms, including tangent propagation, double backprop, the manifold tangen t classifier and adversarial training. • T emp oral and spatia l coherence : Slow feature analysis and related algorithms make the assumption that the most imp ortant explanatory factors c hange slo wly o v er time, or at least that it is easier to predict the true underlying explanatory factors than to predict ra w observ ations such as pixel v alues. See Sec. for further description of this approach. 13.3 • Sparsit y : Most features should presumably not b e relev ant to describing most inputs—there is no need to use a feature that detects elephant trunks when represen ting an image of a cat. It is therefore reasonable to imp ose a prior that any feature that can b e in terpreted as “present” or “absent” should b e absen t most of the time. • Simplicit y of F actor Dep endencies : In go o d high-level representations, the factors are related to eac h other through simple dep endencies. The simplest p ossible is marginal indep endence, P ( h ) =  i P ( h i ) , but linear 558 --- Page Break --- CHAPTER 15. REPRESEN T A TION LEARNING dep endencies or those captured b y a shallow auto enco der are also reasonable assumptions. This can b e seen in man y la ws of physics, and is assumed when plugging a linear predictor or a factorized prior on top of a learned represen tation. The concept of representati on learning ties together all of the man y forms of deep learning. F eedforw ard and recurren t net w orks, auto enco ders and deep probabilistic mo dels all learn and exploit represen tations. Learning the b est p ossible represen tation remains an exciting av en ue of researc h. 559 --- Page Break --- Chap ter 16 Structured Probabilistic Mo dels for Deep Learning Deep learning dra ws up on man y mo deling formalisms that researc hers can use to guide their design efforts and describ e their algorithms. One of these formalisms is the idea of structur e d pr ob abilistic mo dels . W e hav e already discussed structured probabilistic mo dels briefly in Sec. . That brief presentation was sufficient to 3.14 understand how to use structured probabilistic mo dels as a language to describ e some of the algorithms in Part . Now, in P art , structured probabilistic mo dels II I I I are a k ey ingredient of many of the most important research topics in deep learning. In order to prepare to discuss these researc h ideas, this c hapter describ es structured probabilistic mo dels in m uc h greater detail. This chapter is intended to b e self- con tained; the reader do es not need to review the earlier introduction b efore con tin uing with this c hapter. A structured probabilistic mo del is a w a y of describing a probabilit y distribution, using a graph to describ e which random v ariables in the probability distribution in teract with each other directly . Here w e use “graph” in the graph theory sense—a set of v ertices connected to one another by a set of edges. Because the structure of the model is defined b y a graph, these mo dels are often also referred to as gr aphic al mo dels .
  • Supervised learning provides a very strong clue: a label y, presented with each x, that usually specifies the value of at least one of the factors of variation directly.
    • 固定搭配:“at least”，含义：“至少”。
    • 句子分析:这是一个主从复合句，主句是“Supervised learning provides a very strong clue”，冒号后面是对“clue”的具体说明，“presented with each x”是过去分词短语作后置定语修饰“label y”，“that usually specifies the value of at least one of the factors of variation directly”是定语从句，修饰“label y”。
    • 翻译:监督学习提供了一个非常有力的线索：与每个x一起呈现的标签y，它通常直接指定了至少一个变化因素的值。
    • 单词分析:
      • supervised:形容词，词源来自“supervise”（监督），词义：有监督的。
        • 记忆方法:“super-”（在……之上）+“vise”（看）→在上面看着→监督的。
        • 形近词:supervise/supervisor（监督者）、supervision（监督）。
        • 发音解析:
          • 音节分解:su + per + vis + ed /ˈsuːpəvaɪzd/，重音在第一音节
          • 规则:su → /suː/， “su” 发长元音 /uː/。
          • 规则:per → /pə(r)/， “per” 发 /pə(r)/ 音，其中 “e” 发短元音 /ə/。
          • 规则:vis → /vaɪz/， “vis” 发 /vaɪz/ 音，其中 “i” 发长元音 /aɪ/，“s” 发 /z/ 音。
          • 规则:ed → /d/， “ed” 发 /d/ 音。
    • specifies:动词第三人称单数，词源来自拉丁语“specere”（看），词义：指定；明确说明。
      • 记忆方法:“speci-”（种类）+“fy”（使……化）→使成为某种种类→指定。
      • 形近词:specify/specific（具体的）、specification（规格）。
      • 发音解析:
        • 音节分解:spe + ci + fy /ˈspesɪfaɪ/，重音在第一音节
        • 规则:spe → /spiː/， “spe” 发长元音 /iː/。
        • 规则:ci → /sɪ/， “ci” 发 /sɪ/ 音，其中 “c” 发 /s/ 音，“i” 发短元音 /ɪ/。
        • 规则:fy → /faɪ/， “fy” 发 /faɪ/ 音，其中 “y” 发长元音 /aɪ/。
  • More generally, to make use of abundant unlabeled data, representation learning makes use of other, less direct, hints about the underlying factors.
    • 固定搭配:“make use of”，含义：“利用”。
    • 句子分析:这是一个简单句，“to make use of abundant unlabeled data”是目的状语，句子主语是“representation learning”，谓语是“makes use of”，宾语是“hints”。
    • 翻译:更一般地说，为了利用大量未标记的数据，表征学习利用了关于潜在因素的其他不太直接的线索。
    • 单词分析:
      • abundant:形容词，词源来自拉丁语“abundare”（溢出），词义：丰富的；充裕的。
        • 记忆方法:“ab-”（离开）+“und”（波浪）+“-ant”（形容词后缀）→像波浪一样不断涌来→丰富的。
        • 形近词:abundant/abundance（丰富）、redundant（多余的）。
        • 发音解析:
          • 音节分解:a + bun + dant /əˈbʌndənt/，重音在第二音节
          • 规则:a → /ə/， “a” 发短元音 /ə/。
          • 规则:bun → /bʌn/， “bun” 发 /bʌn/ 音，其中 “u” 发短元音 /ʌ/。
          • 规则:dant → /dənt/， “dant” 发 /dənt/ 音，其中 “a” 发短元音 /ə/。
    • unlabeled:形容词，词源是“un-”（否定前缀）+“label”（标签），词义：未标记的。
      • 记忆方法:“un-”表示否定，“label”是标签，合起来就是没有标签的。
      • 形近词:unlabeled/labeled（有标签的）、unload（卸载）。
      • 发音解析:
        • 音节分解:un + la + bel + ed /ʌnˈleɪbld/，重音在第二音节
        • 规则:un → /ʌn/， “un” 发 /ʌn/ 音，其中 “u” 发短元音 /ʌ/。
        • 规则:la → /leɪ/， “la” 发长元音 /eɪ/。
        • 规则:bel → /bl/， “bel” 发 /bl/ 音。
        • 规则:ed → /d/， “ed” 发 /d/ 音。
    • representation:名词，词源来自“represent”（代表），词义：表征；表现。
      • 记忆方法:“re-”（再）+“present”（呈现）+“-ation”（名词后缀）→再次呈现→表征。
      • 形近词:representation/representative（代表）、present（礼物；呈现）。
      • 发音解析:
        • 音节分解:re + pre + sen + ta + tion /ˌreprɪzenˈteɪʃn/，重音在第四音节
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “e” 发短元音 /ɪ/。
        • 规则:pre → /priː/， “pre” 发长元音 /iː/。
        • 规则:sen → /sen/， “sen” 发 /sen/ 音，其中 “e” 发短元音 /e/。
        • 规则:ta → /teɪ/， “ta” 发长元音 /eɪ/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音。
  • These hints take the form of implicit prior beliefs that we, the designers of the learning algorithm, impose in order to guide the learner.
    • 固定搭配:“take the form of”，含义：“以……的形式”；“in order to”，含义：“为了”。
    • 句子分析:这是一个主从复合句，主句是“These hints take the form of implicit prior beliefs”，“that we, the designers of the learning algorithm, impose in order to guide the learner”是定语从句，修饰“beliefs”。
    • 翻译:这些线索以隐含的先验信念的形式存在，我们作为学习算法的设计者，为了引导学习者而施加这些信念。
    • 单词分析:
      • implicit:形容词，词源来自拉丁语“implicare”（包含），词义：隐含的；含蓄的。
        • 记忆方法:“im-”（进入）+“plic”（折叠）+“-it”（形容词后缀）→折叠进去→隐含的。
        • 形近词:implicit/explicit（明确的）、implication（含义）。
        • 发音解析:
          • 音节分解:im + pli + cit /ɪmˈplɪsɪt/，重音在第二音节
          • 规则:im → /ɪm/， “im” 发 /ɪm/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:pli → /plɪ/， “pli” 发 /plɪ/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:cit → /sɪt/， “cit” 发 /sɪt/ 音，其中 “i” 发短元音 /ɪ/。
    • prior:形容词，词源来自拉丁语“prior”（在前的），词义：先前的；优先的。
      • 记忆方法:和“prize”（奖品）联想，能获得奖品的往往是先前表现好的。
      • 形近词:prior/priority（优先事项）、priest（牧师）。
      • 发音解析:
        • 音节分解:pri + or /ˈpraɪə(r)/，重音在第一音节
        • 规则:pri → /praɪ/， “pri” 发长元音 /aɪ/。
        • 规则:or → /ə(r)/， “or” 发 /ə(r)/ 音，其中 “o” 发短元音 /ə/。
    • impose:动词，词源来自拉丁语“imponere”（放置），词义：施加；强加。
      • 记忆方法:“im-”（在……上）+“pose”（放置）→放在上面→施加。
      • 形近词:impose/oppose（反对）、expose（暴露）。
      • 发音解析:
        • 音节分解:im + pose /ɪmˈpəʊz/，重音在第二音节
        • 规则:im → /ɪm/， “im” 发 /ɪm/ 音，其中 “i” 发短元音 /ɪ/。
        • 规则:pose → /pəʊz/， “pose” 发 /pəʊz/ 音，其中 “o” 发长元音 /əʊ/。
  • Results such as the no free lunch theorem show that regularization strategies are necessary to obtain good generalization.
    • 固定搭配:“such as”，含义：“例如”；“no free lunch theorem”，含义：“没有免费午餐定理”。
    • 句子分析:这是一个主从复合句，主句是“Results show...”，“that regularization strategies are necessary to obtain good generalization”是宾语从句。
    • 翻译:诸如没有免费午餐定理之类的结果表明，正则化策略对于获得良好的泛化能力是必要的。
    • 单词分析:
      • regularization:名词，词源来自“regularize”（使规则化），词义：正则化。
        • 记忆方法:“regular”（规则的）+“-ize”（动词后缀）+“-ation”（名词后缀）→使规则化的行为→正则化。
        • 形近词:regularization/regular（规则的）、irregular（不规则的）。
        • 发音解析:
          • 音节分解:reg + u + lar + i + za + tion /ˌreɡjələˈzeɪʃn/，重音在第四音节
          • 规则:reg → /reɡ/， “reg” 发 /reɡ/ 音，其中 “e” 发短元音 /e/。
          • 规则:u → /juː/， “u” 发长元音 /juː/。
          • 规则:lar → /lə(r)/， “lar” 发 /lə(r)/ 音，其中 “a” 发短元音 /ə/。
          • 规则:i → /ɪ/， “i” 发短元音 /ɪ/。
          • 规则:za → /zeɪ/， “za” 发长元音 /eɪ/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音。
    • generalization:名词，词源来自“generalize”（概括；推广），词义：泛化；概括。
      • 记忆方法:“general”（一般的）+“-ize”（动词后缀）+“-ation”（名词后缀）→使一般化的行为→泛化。
      • 形近词:generalization/general（一般的）、generalize（概括）。
      • 发音解析:
        • 音节分解:gen + er + al + i + za + tion /ˌdʒenərəlaɪˈzeɪʃn/，重音在第四音节
        • 规则:gen → /dʒen/， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/。
        • 规则:er → /ə(r)/， “er” 发 /ə(r)/ 音，其中 “e” 发短元音 /ə/。
        • 规则:al → /æl/， “al” 发 /æl/ 音，其中 “a” 发短元音 /æ/。
        • 规则:i → /ɪ/， “i” 发短元音 /ɪ/。
        • 规则:za → /zeɪ/， “za” 发长元音 /eɪ/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音。
  • While it is impossible to find a universally superior regularization strategy, one goal of deep learning is to find a set of fairly generic regularization strategies that are applicable to a wide variety of AI tasks, similar to the tasks that people and animals are able to solve.
    • 固定搭配:“a wide variety of”，含义：“各种各样的”。
    • 句子分析:这是一个主从复合句，“While it is impossible to find a universally superior regularization strategy”是让步状语从句，主句是“one goal of deep learning is to find a set of fairly generic regularization strategies...”，“that are applicable to a wide variety of AI tasks”是定语从句，修饰“strategies”，“similar to the tasks that people and animals are able to solve”是后置定语，修饰“tasks”。
    • 翻译:虽然不可能找到一种普遍优越的正则化策略，但深度学习的一个目标是找到一组相当通用的正则化策略，这些策略适用于各种各样的人工智能任务，类似于人类和动物能够解决的任务。
    • 单词分析:
      • universally:副词，词源来自“universal”（普遍的），词义：普遍地；广泛地。
        • 记忆方法:“universal”（普遍的）+“-ly”（副词后缀）→普遍地。
        • 形近词:universally/universal（普遍的）、university（大学）。
        • 发音解析:
          • 音节分解:u + ni + ver + sal + ly /ˌjuːnɪˈvɜːsəli/，重音在第三音节
          • 规则:u → /juː/， “u” 发长元音 /juː/。
          • 规则:ni → /nɪ/， “ni” 发 /nɪ/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:ver → /vɜː(r)/， “ver” 发 /vɜː(r)/ 音，其中 “e” 发长元音 /ɜː/。
          • 规则:sal → /səl/， “sal” 发 /səl/ 音，其中 “a” 发短元音 /ə/。
          • 规则:ly → /li/， “ly” 发 /li/ 音。
    • superior:形容词，词源来自拉丁语“superior”（更高的），词义：优越的；更好的。
      • 记忆方法:“super-”（在……之上）+“-ior”（比较级后缀）→在上面的→优越的。
      • 形近词:superior/inferior（ inferior）、super（超级的）。
      • 发音解析:
        • 音节分解:su + pe + ri + or /suːˈpɪəriə(r)/，重音在第二音节
        • 规则:su → /suː/， “su” 发长元音 /uː/。
        • 规则:pe → /pɪ/， “pe” 发 /pɪ/ 音，其中 “e” 发短元音 /ɪ/。
        • 规则:ri → /rɪ/， “ri” 发 /rɪ/ 音，其中 “i” 发短元音 /ɪ/。
        • 规则:or → /ə(r)/， “or” 发 /ə(r)/ 音，其中 “o” 发短元音 /ə/。
    • generic:形容词，词源来自拉丁语“genus”（种类），词义：通用的；一般的。
      • 记忆方法:“gen-”（种类）+“-eric”（形容词后缀）→属于某种种类的→通用的。
      • 形近词:generic/generate（产生）、generation（一代）。
      • 发音解析:
        • 音节分解:ge + ne + ric /dʒəˈnerɪk/，重音在第二音节
        • 规则:ge → /dʒə/， “ge” 发 /dʒə/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /ə/。
        • 规则:ne → /ne/， “ne” 发 /ne/ 音，其中 “e” 发短元音 /e/。
        • 规则:ric → /rɪk/， “ric” 发 /rɪk/ 音，其中 “i” 发短元音 /ɪ/。
    • applicable:形容词，词源来自“apply”（应用），词义：适用的；合适的。
      • 记忆方法:“apply”（应用）+“-able”（形容词后缀）→可以应用的→适用的。
      • 形近词:applicable/apply（应用）、application（应用；申请）。
      • 发音解析:
        • 音节分解:ap + pli + ca + ble /əˈplɪkəbl/，重音在第二音节
        • 规则:ap → /əp/， “ap” 发 /əp/ 音，其中 “a” 发短元音 /ə/。
        • 规则:pli → /plɪ/， “pli” 发 /plɪ/ 音，其中 “i” 发短元音 /ɪ/。
        • 规则:ca → /kə/， “ca” 发 /kə/ 音，其中 “a” 发短元音 /ə/。
        • 规则:ble → /bl/， “ble” 发 /bl/ 音。
  • We provide here a list of these generic regularization strategies.
    • 翻译:我们在这里提供了这些通用正则化策略的列表。
  • The list is clearly not exhaustive, but gives some concrete examples of ways that learning algorithms can be encouraged to discover features that correspond to underlying factors.
    • 固定搭配:“correspond to”，含义：“与……相对应”。
    • 句子分析:这是一个并列复合句，由“but”连接两个分句，“that learning algorithms can be encouraged to discover features”是定语从句，修饰“ways”，“that correspond to underlying factors”是定语从句，修饰“features”。
    • 翻译:这个列表显然并不详尽，但给出了一些具体的例子，说明了可以鼓励学习算法发现与潜在因素相对应的特征的方法。
    • 单词分析:
      • exhaustive:形容词，词源来自“exhaust”（耗尽），词义：详尽的；彻底的。
        • 记忆方法:“ex-”（向外）+“haust”（拉）+“-ive”（形容词后缀）→全部拉出来→详尽的。
        • 形近词:exhaustive/exhaust（耗尽）、exhaustion（耗尽；疲惫）。
        • 发音解析:
          • 音节分解:ex + haus + tive /ɪɡˈzɔːstɪv/，重音在第二音节
          • 规则:ex → /ɪɡˈz/， “ex” 发 /ɪɡˈz/ 音，其中 “e” 发短元音 /ɪ/，“x” 发 /z/ 音。
          • 规则:haus → /hɔːs/， “haus” 发 /hɔːs/ 音，其中 “au” 发长元音 /ɔː/。
          • 规则:tive → /tɪv/， “tive” 发 /tɪv/ 音，其中 “i” 发短元音 /ɪ/。
    • concrete:形容词，词源来自拉丁语“concretus”（凝结的），词义：具体的；实在的。
      • 记忆方法:“con-”（一起）+“cret”（生长）+“-e”→生长在一起→具体的。
      • 形近词:concrete/concern（关心）、concept（概念）。
      • 发音解析:
        • 音节分解:con + crete /ˈkɒŋkriːt/，重音在第一音节
        • 规则:con → /kɒn/， “con” 发 /kɒn/ 音，其中 “o” 发短元音 /ɒ/。
        • 规则:crete → /kriːt/， “crete” 发 /kriːt/ 音，其中 “e” 发长元音 /iː/。
    • correspond:动词，词源来自拉丁语“correspondere”（相应；符合），词义：对应；符合。
      • 记忆方法:“cor-”（共同）+“respond”（回应）→共同回应→对应。
      • 形近词:correspond/correspondence（通信；对应）、corresponding（相应的）。
      • 发音解析:
        • 音节分解:cor + re + spond /ˌkɒrəˈspɒnd/，重音在第二音节
        • 规则:cor → /kɒr/， “cor” 发 /kɒr/ 音，其中 “o” 发短元音 /ɒ/。
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “e” 发短元音 /ɪ/。
        • 规则:spond → /spɒnd/， “spond” 发 /spɒnd/ 音，其中 “o” 发短元音 /ɒ/。
  • This list was introduced in Sec. 3.1 of ( ) and has been Bengio et al. 2013d partially expanded here.
    • 翻译:这个列表在（ ）的3.1节中被引入，并且在Bengio等人2013d的研究中在这里得到了部分扩展。
  • • Smoothness: This is the assumption that f (x +  d) ≈ f (x) for unit d and small.
    • 翻译:• 平滑性：这是一个假设，即对于单位向量d和小的 ，f (x +  d) ≈ f (x)。

  • This assumption allows the learner to generalize from training examples to nearby points in input space.
    • 固定搭配:“allow sb. to do sth.”意为“允许某人做某事”；“generalize from...to...”意为“从……推广到……”。
    • 句子分析:简单句，主谓宾宾补结构，“allows the learner to generalize...”中“the learner”是宾语，“to generalize...”是宾语补足语。
    • 翻译:“这一假设使学习者能够从训练示例推广到输入空间中的临近点。”
    • 单词分析:
      • assumption:名词，词源来自拉丁语“assumere”（承担，采取），词义：假设，假定。
        • 记忆方法:“assume”（假设）+“-tion”（名词后缀）→假设。
        • 形近词:assume（动词，假设）、consumption（消费）。
        • 发音解析:
          • 音节分解:as + sum + p-tion，/əˈsʌmpʃn/，重音在第二音节
          • 规则:as → /ə/， “as” 发 /ə/ 音，其中 “a” 发短元音 /ə/，“s” 发 /s/ 音。
          • 规则:sum → /sʌm/， “sum” 发 /sʌm/ 音，其中 “s” 发 /s/ 音，“u” 发短元音 /ʌ/，“m” 发 /m/ 音。
          • 规则:p-tion → /pʃn/， “p-tion” 发 /pʃn/ 音，其中 “p” 发 /p/ 音，“tion” 发 /ʃn/ 音。
    • generalize:动词，词源来自拉丁语“generalis”（一般的），词义：概括，推广。
      • 记忆方法:“general”（一般的）+“-ize”（动词后缀）→使一般化→概括，推广。
      • 形近词:general（形容词，一般的）、specialize（专门从事）。
      • 发音解析:
        • 音节分解:gen + er + al + ize，/ˈdʒenrəlaɪz/，重音在第一音节
        • 规则:gen → /dʒen/， “gen” 发 /dʒen/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
        • 规则:er → /rə/， “er” 发 /rə/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:al → /əl/， “al” 发 /əl/ 音，其中 “a” 发短元音 /ə/，“l” 发 /l/ 音。
        • 规则:ize → /aɪz/， “ize” 发 /aɪz/ 音，其中 “i” 发长元音 /aɪ/，“z” 发 /z/ 音。

  • Many machine learning algorithms leverage this idea, but it is insufficient to overcome the curse of dimensionality.
    • 固定搭配:“leverage sth.”意为“利用某物”；“the curse of...”意为“……的诅咒”。
    • 句子分析:并列复合句，由“but”连接两个分句，前一个分句主谓宾结构，后一个分句“it”作形式主语，真正的主语是“to overcome the curse of dimensionality”。
    • 翻译:“许多机器学习算法利用了这一想法，但这不足以克服维度灾难。”
    • 单词分析:
      • leverage:动词，词源来自法语“levier”（杠杆），词义：利用，杠杆作用。
        • 记忆方法:联想“杠杆”可以撬动重物，引申为“利用”。
        • 形近词:lever（杠杆）、coverage（覆盖范围）。
        • 发音解析:
          • 音节分解:lev + er + age，/ˈliːvərɪdʒ/，重音在第一音节
          • 规则:lev → /liːv/， “lev” 发 /liːv/ 音，其中 “l” 发 /l/ 音，“e” 发长元音 /iː/，“v” 发 /v/ 音。
          • 规则:er → /ər/， “er” 发 /ər/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则:age → /ɪdʒ/， “age” 发 /ɪdʒ/ 音，其中 “a” 发短元音 /ɪ/，“g” 发 /dʒ/ 音，“e” 不发音。
    • insufficient:形容词，词源来自拉丁语“insufficiens”（不足的），词义：不足的，不够的。
      • 记忆方法:“in-”（否定前缀）+“sufficient”（足够的）→不足的。
      • 形近词:sufficient（足够的）、efficient（有效率的）。
      • 发音解析:
        • 音节分解:in + suf + fi + cient，/ˌɪnsəˈfɪʃnt/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /n/ 音。
        • 规则:suf → /səf/， “suf” 发 /səf/ 音，其中 “s” 发 /s/ 音，“u” 发短元音 /ə/，“f” 发 /f/ 音。
        • 规则:fi → /fɪ/， “fi” 发 /fɪ/ 音，其中 “f” 发 /f/ 音，“i” 发短元音 /ɪ/。
        • 规则:cient → /ʃnt/， “cient” 发 /ʃnt/ 音，其中 “c” 发 /ʃ/ 音，“i” 不发音，“ent” 发 /nt/ 音。
    • curse:名词，词源来自古英语“curs”（诅咒），词义：诅咒，灾祸。
      • 记忆方法:联想“被诅咒会带来灾祸”。
      • 形近词:course（课程）、purse（钱包）。
      • 发音解析:
        • 音节分解:cur + se，/kɜːrs/，重音在第一音节
        • 规则:cur → /kɜːr/， “cur” 发 /kɜːr/ 音，其中 “c” 发 /k/ 音，“u” 发长元音 /ɜːr/。
        • 规则:se → /s/， “se” 发 /s/ 音，其中 “s” 发 /s/ 音，“e” 不发音。
    • dimensionality:名词，词源来自“dimensional”（维度的）+“-ity”（名词后缀），词义：维度，维数。
      • 记忆方法:“dimensional”（维度的）+“-ity”（名词后缀）→维度。
      • 形近词:dimensional（形容词，维度的）、similarity（相似性）。
      • 发音解析:
        • 音节分解:di + men + sion + al + ity，/daɪˌmenʃəˈnæləti/，重音在第三音节
        • 规则:di → /daɪ/， “di” 发 /daɪ/ 音，其中 “d” 发 /d/ 音，“i” 发长元音 /aɪ/。
        • 规则:men → /men/， “men” 发 /men/ 音，其中 “m” 发 /m/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
        • 规则:sion → /ʃn/， “sion” 发 /ʃn/ 音，其中 “s” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。
        • 规则:al → /əl/， “al” 发 /əl/ 音，其中 “a” 发短元音 /ə/，“l” 发 /l/ 音。
        • 规则:ity → /əti/， “ity” 发 /əti/ 音，其中 “i” 发短元音 /ə/，“t” 发 /t/ 音，“y” 发 /i/ 音。
  • Linearity: Many learning algorithms assume that relationships between some variables are linear.
    • 固定搭配:无。
    • 句子分析:主从复合句，“assume”后接宾语从句“that relationships between some variables are linear”。
    • 翻译:“线性：许多学习算法假设一些变量之间的关系是线性的。”
    • 单词分析:
      • linearity:名词，词源来自拉丁语“linearis”（线的），词义：线性，直线性。
        • 记忆方法:“linear”（线性的）+“-ity”（名词后缀）→线性。
        • 形近词:linear（形容词，线性的）、circularity（圆形）。
        • 发音解析:
          • 音节分解:lin + ear + ity，/ˌlɪniˈærəti/，重音在第二音节
          • 规则:lin → /lɪn/， “lin” 发 /lɪn/ 音，其中 “l” 发 /l/ 音，“i” 发短元音 /ɪ/，“n” 发 /n/ 音。
          • 规则:ear → /ɪər/， “ear” 发 /ɪər/ 音，其中 “e” 发短元音 /ɪ/，“a” 发长元音 /ə/，“r” 发 /r/ 音。
          • 规则:ity → /əti/， “ity” 发 /əti/ 音，其中 “i” 发短元音 /ə/，“t” 发 /t/ 音，“y” 发 /i/ 音。
    • assume:动词，词源来自拉丁语“assumere”（承担，采取），词义：假设，假定。
      • 记忆方法:联想“承担某种假设”。
      • 形近词:assumption（名词，假设）、consume（消费）。
      • 发音解析:
        • 音节分解:as + sume，/əˈsjuːm/，重音在第二音节
        • 规则:as → /ə/， “as” 发 /ə/ 音，其中 “a” 发短元音 /ə/，“s” 发 /s/ 音。
        • 规则:sume → /sjuːm/， “sume” 发 /sjuːm/ 音，其中 “s” 发 /s/ 音，“u” 发长元音 /juː/，“m” 发 /m/ 音。
    • variable:名词，词源来自拉丁语“variabilis”（可变的），词义：变量，可变因素。
      • 记忆方法:“vary”（变化）+“-able”（形容词后缀）→可变的→变量。
      • 形近词:vary（动词，变化）、invariable（不变的）。
      • 发音解析:
        • 音节分解:var + i + able，/ˈveəriəbl/，重音在第一音节
        • 规则:var → /veə/， “var” 发 /veə/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eə/。
        • 规则:i → /ɪ/， “i” 发 /ɪ/ 音，其中 “i” 发短元音 /ɪ/。
        • 规则:able → /əbl/， “able” 发 /əbl/ 音，其中 “a” 发短元音 /ə/，“b” 发 /b/ 音，“le” 发 /l/ 音。
  • This allows the algorithm to make predictions even very far from the observed data, but can sometimes lead to overly extreme predictions.
    • 固定搭配:“allow sb. to do sth.”意为“允许某人做某事”；“lead to”意为“导致”。
    • 句子分析:并列复合句，由“but”连接两个部分，前一个部分“allows the algorithm to make predictions...”，后一个部分省略了主语，完整形式应该是“this can sometimes lead to overly extreme predictions”。
    • 翻译:“这使算法即使在远离观测数据的情况下也能进行预测，但有时会导致过于极端的预测。”
    • 单词分析:
      • prediction:名词，词源来自拉丁语“praedicere”（预言），词义：预测，预言。
        • 记忆方法:“predict”（预测）+“-ion”（名词后缀）→预测。
        • 形近词:predict（动词，预测）、addition（增加）。
        • 发音解析:
          • 音节分解:pre + dic + tion，/prɪˈdɪkʃn/，重音在第二音节
          • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/。
          • 规则:dic → /dɪk/， “dic” 发 /dɪk/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。
    • overly:副词，词源来自“over”（过度）+“-ly”（副词后缀），词义：过度地，过分地。
      • 记忆方法:“over”（过度）+“-ly”（副词后缀）→过度地。
      • 形近词:over（介词，在……之上）、lovely（可爱的）。
      • 发音解析:
        • 音节分解:o + ver + ly，/ˈəʊvəli/，重音在第一音节
        • 规则:o → /əʊ/， “o” 发 /əʊ/ 音，其中 “o” 发长元音 /əʊ/。
        • 规则:ver → /və/， “ver” 发 /və/ 音，其中 “v” 发 /v/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:ly → /li/， “ly” 发 /li/ 音，其中 “l” 发 /l/ 音，“y” 发 /i/ 音。
    • extreme:形容词，词源来自拉丁语“extremus”（最外面的），词义：极端的，极度的。
      • 记忆方法:联想“ex-”（向外）+“treme”（终点）→到达终点→极端的。
      • 形近词:extremist（极端主义者）、exterior（外部的）。
      • 发音解析:
        • 音节分解:ex + tre + me，/ɪkˈstriːm/，重音在第二音节
        • 规则:ex → /ɪk/， “ex” 发 /ɪk/ 音，其中 “e” 发短元音 /ɪ/，“x” 发 /k/ 音。
        • 规则:tre → /triː/， “tre” 发 /triː/ 音，其中 “t” 发 /t/ 音，“r” 发 /r/ 音，“e” 发长元音 /iː/。
        • 规则:me → /m/， “me” 发 /m/ 音，其中 “m” 发 /m/ 音，“e” 不发音。
  • Most simple machine learning algorithms that do not make the smoothness assumption instead make the linearity assumption.
    • 固定搭配:无。
    • 句子分析:主从复合句，“that do not make the smoothness assumption”是定语从句，修饰先行词“algorithms”。
    • 翻译:“大多数不做平滑性假设的简单机器学习算法反而做线性假设。”
    • 单词分析:
      • smoothness:名词，词源来自“smooth”（平滑的）+“-ness”（名词后缀），词义：平滑，光滑。
        • 记忆方法:“smooth”（平滑的）+“-ness”（名词后缀）→平滑。
        • 形近词:smooth（形容词，平滑的）、kindness（善良）。
        • 发音解析:
          • 音节分解:smooth + ness，/ˈsmuːðnəs/，重音在第一音节
          • 规则:smooth → /smuːð/， “smooth” 发 /smuːð/ 音，其中 “s” 发 /s/ 音，“m” 发 /m/ 音，“oo” 发长元音 /uː/，“th” 发 /ð/ 音。
          • 规则:ness → /nəs/， “ness” 发 /nəs/ 音，其中 “n” 发 /n/ 音，“e” 发短元音 /ə/，“s” 发 /s/ 音。
  • These are in fact different assumptions—linear functions with large weights applied to high - dimensional spaces may not be very smooth.
    • 固定搭配:“in fact”意为“事实上”；“apply to”意为“应用于”。
    • 句子分析:主从复合句，破折号后面的内容是对前面“different assumptions”的解释说明。
    • 翻译:“事实上，这些是不同的假设——应用于高维空间的大权重线性函数可能不是很平滑。”
    • 单词分析:
      • weight:名词，词源来自古英语“gewiht”（重量），词义：重量，权重。
        • 记忆方法:联想“物体的重量”。
        • 形近词:height（高度）、eight（八）。
        • 发音解析:
          • 音节分解:we + ight，/weɪt/，重音在第一音节
          • 规则:we → /weɪ/， “we” 发 /weɪ/ 音，其中 “w” 发 /w/ 音，“e” 发长元音 /eɪ/。
          • 规则:ight → /t/， “ight” 发 /t/ 音，其中 “i” 不发音，“gh” 不发音，“t” 发 /t/ 音。
  • See Goodfellow et al. (2014b) for a further discussion of the limitations of the linearity assumption.
    • 固定搭配:“et al.”意为“等人”；“for a further discussion of...”意为“关于……的进一步讨论”。
    • 句子分析:简单句，祈使句结构。
    • 翻译:“参阅古德费洛等人（2014b）关于线性假设局限性的进一步讨论。”
    • 单词分析:
      • limitation:名词，词源来自拉丁语“limitare”（限制），词义：限制，局限性。
        • 记忆方法:“limit”（限制）+“-ation”（名词后缀）→限制，局限性。
        • 形近词:limit（动词，限制）、relation（关系）。
        • 发音解析:
          • 音节分解:lim + i + ta + tion，/ˌlɪmɪˈteɪʃn/，重音在第二音节
          • 规则:lim → /lɪm/， “lim” 发 /lɪm/ 音，其中 “l” 发 /l/ 音，“i” 发短元音 /ɪ/，“m” 发 /m/ 音。
          • 规则:i → /ɪ/， “i” 发 /ɪ/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:ta → /teɪ/， “ta” 发 /teɪ/ 音，其中 “t” 发 /t/ 音，“a” 发长元音 /eɪ/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。
  • Multiple explanatory factors: Many representation learning algorithms are motivated by the assumption that the data is generated by multiple underlying explanatory factors, and that most tasks can be solved easily given the state of each of these factors.
    • 固定搭配:“be motivated by”意为“受……激励”；“given...”意为“考虑到……”。
    • 句子分析:主从复合句，“that the data is generated by multiple underlying explanatory factors”和“that most tasks can be solved easily given the state of each of these factors”是并列的宾语从句，作“assumption”的同位语。
    • 翻译:“多个解释因素：许多表示学习算法受到这样一种假设的驱动，即数据是由多个潜在的解释因素生成的，并且考虑到这些因素的状态，大多数任务可以轻松解决。”
    • 单词分析:
      • explanatory:形容词，词源来自“explain”（解释）+“-atory”（形容词后缀），词义：解释性的，说明性的。
        • 记忆方法:“explain”（解释）+“-atory”（形容词后缀）→解释性的。
        • 形近词:explain（动词，解释）、atory（后缀，表性质）。
        • 发音解析:
          • 音节分解:ex + pla + na + to + ry，/ɪkˈsplænətri/，重音在第二音节
          • 规则:ex → /ɪk/， “ex” 发 /ɪk/ 音，其中 “e” 发短元音 /ɪ/，“x” 发 /k/ 音。
          • 规则:pla → /plæ/， “pla” 发 /plæ/ 音，其中 “p” 发 /p/ 音，“l” 发 /l/ 音，“a” 发短元音 /æ/。
          • 规则:na → /nə/， “na” 发 /nə/ 音，其中 “n” 发 /n/ 音，“a” 发短元音 /ə/。
          • 规则:to → /təʊ/， “to” 发 /təʊ/ 音，其中 “t” 发 /t/ 音，“o” 发长元音 /əʊ/。
          • 规则:ry → /ri/， “ry” 发 /ri/ 音，其中 “r” 发 /r/ 音，“y” 发 /i/ 音。
    • representation:名词，词源来自拉丁语“repraesentare”（代表），词义：表示，代表。
      • 记忆方法:“represent”（代表）+“-ation”（名词后缀）→表示，代表。
      • 形近词:represent（动词，代表）、presentation（展示）。
      • 发音解析:
        • 音节分解:re + pre + sen + ta + tion，/ˌreprɪˈzenʃn/，重音在第二音节
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:sen → /sen/， “sen” 发 /sen/ 音，其中 “s” 发 /s/ 音，“e” 发短元音 /e/，“n” 发 /n/ 音。
        • 规则:ta → /teɪ/， “ta” 发 /teɪ/ 音，其中 “t” 发 /t/ 音，“a” 发长元音 /eɪ/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 发 /ʃ/ 音，“i” 不发音，“on” 发 /n/ 音。
    • motivated:形容词，词源来自拉丁语“movere”（移动），词义：有动机的，有积极性的。
      • 记忆方法:“motivate”（激励）+“-ed”（形容词后缀）→有动机的。
      • 形近词:motivate（动词，激励）、activated（激活的）。
      • 发音解析:
        • 音节分解:mo + ti + va + ted，/ˈməʊtɪveɪtɪd/，重音在第一音节
        • 规则:mo → /məʊ/， “mo” 发 /məʊ/ 音，其中 “m” 发 /m/ 音，“o” 发长元音 /əʊ/。
        • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
        • 规则:va → /veɪ/， “va” 发 /veɪ/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eɪ/。
        • 规则:ted → /tɪd/， “ted” 发 /tɪd/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /ɪ/，“d” 发 /d/ 音。
    • underlying:形容词，词源来自“underlie”（位于……之下）+“-ing”（形容词后缀），词义：潜在的，根本的。
      • 记忆方法:“under”（在……之下）+“lie”（躺）+“-ing”（形容词后缀）→潜在的。
      • 形近词:underlie（动词，位于……之下）、lying（说谎的）。
      • 发音解析:
        • 音节分解:un + der + lie + ing，/ˌʌndəˈlaɪɪŋ/，重音在第二音节
        • 规则:un → /ʌn/， “un” 发 /ʌn/ 音，其中 “u” 发短元音 /ʌ/，“n” 发 /n/ 音。
        • 规则:der → /də/， “der” 发 /də/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:lie → /laɪ/， “lie” 发 /laɪ/ 音，其中 “l” 发 /l/ 音，“i” 发长元音 /aɪ/。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /ŋ/ 音。
  • Sec. 15.3 describes how this view motivates semi - supervised learning via representation learning.
    • 固定搭配:“semi - supervised learning”意为“半监督学习”；“via”意为“通过”。
    • 句子分析:主从复合句，“how this view motivates semi - supervised learning via representation learning”是宾语从句，作“describes”的宾语。
    • 翻译:“第15.3节描述了这种观点如何通过表示学习来推动半监督学习。”
    • 单词分析:
      • semi - supervised:形容词，“semi -”（半）+“supervised”（监督的），词义：半监督的。
        • 记忆方法:“semi -”（半）+“supervised”（监督的）→半监督的。
        • 形近词:semi - automatic（半自动的）、supervised（监督的）。
        • 发音解析:
          • 音节分解:semi + super + vis + ed，/ˌsemɪˈsuːpəvaɪzd/，重音在第二音节
          • 规则:semi → /semɪ/， “semi” 发 /semɪ/ 音，其中 “s” 发 /s/ 音，“e” 发短元音 /e/，“m” 发 /m/ 音，“i” 发短元音 /ɪ/。
          • 规则:super → /suːpə/， “super” 发 /suːpə/ 音，其中 “s” 发 /s/ 音，“u” 发长元音 /uː/，“p” 发 /p/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则:vis → /vaɪ/， “vis” 发 /vaɪ/ 音，其中 “v” 发 /v/ 音，“i” 发长元音 /aɪ/，“s” 发 /s/ 音。
          • 规则:ed → /d/， “ed” 发 /d/ 音，其中 “e” 不发音，“d” 发 /d/ 音。
  • Learning the structure of p(x) requires learning some of the same features that are useful for modeling p(y|x) because both refer to the same underlying explanatory factors.
    • 固定搭配:“refer to”意为“涉及，指的是”。
    • 句子分析:主从复合句，“that are useful for modeling p(y|x)”是定语从句，修饰先行词“features”，“because both refer to the same underlying explanatory factors”是原因状语从句。
    • 翻译:“学习p(x)的结构需要学习一些与建模p(y|x)有用的相同特征，因为两者都涉及相同的潜在解释因素。”
    • 单词分析:
      • modeling:动名词，词源来自“model”（模型）+“-ing”（动名词后缀），词义：建模。
        • 记忆方法:“model”（模型）+“-ing”（动名词后缀）→建模。
        • 形近词:model（名词，模型；动词，建模）、modelling（英式拼写，建模）。
        • 发音解析:
          • 音节分解:mo + del + ing，/ˈmɒdəlɪŋ/，重音在第一音节
          • 规则:mo → /mɒ/， “mo” 发 /mɒ/ 音，其中 “m” 发 /m/ 音，“o” 发短元音 /ɒ/。
          • 规则:del → /dəl/， “del” 发 /dəl/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“l” 发 /l/ 音。
          • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /ŋ/ 音。
  • Sec. 15.4 describes how this view motivates the use of distributed representations, with separate directions in representation space corresponding to separate factors of variation.
    • 固定搭配:“distributed representations”意为“分布式表示”；“correspond to”意为“对应于”。
    • 句子分析:主从复合句，“how this view motivates the use of distributed representations”是宾语从句，作“describes”的宾语，“with separate directions in representation space corresponding to separate factors of variation”是伴随状语。
    • 翻译:“第15.4节描述了这种观点如何推动分布式表示的使用，其中表示空间中的不同方向对应于不同的变化因素。”
    • 单词分析:
      • distributed:形容词，词源来自“distribute”（分布）+“-ed”（形容词后缀），词义：分布式的，分散的。
        • 记忆方法:“distribute”（分布）+“-ed”（形容词后缀）→分布式的。
        • 形近词:distribute（动词，分布）、contributed（贡献的）。
        • 发音解析:
          • 音节分解:dis + tri + bu + ted，/dɪˈstrɪbjuːtɪd/，重音在第二音节
          • 规则:dis → /dɪs/， “dis” 发 /dɪs/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“s” 发 /s/ 音。
          • 规则:tri → /trɪ/， “tri” 发 /trɪ/ 音，其中 “t” 发 /t/ 音，“r” 发 /r/ 音，“i” 发短元音 /ɪ/。
          • 规则:bu → /bjuː/， “bu” 发 /bjuː/ 音，其中 “b” 发 /b/ 音，“u” 发长元音 /juː/。
          • 规则:ted → /tɪd/， “ted” 发 /tɪd/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /ɪ/，“d” 发 /d/ 音。
    • corresponding:形容词，词源来自“correspond”（对应）+“-ing”（形容词后缀），词义：对应的，相符的。
      • 记忆方法:“correspond”（对应）+“-ing”（形容词后缀）→对应的。
      • 形近词:correspond（动词，对应）、responding（回应的）。
      • 发音解析:
        • 音节分解:cor + re + spond + ing，/ˌkɒrəˈspɒndɪŋ/，重音在第二音节
        • 规则:cor → /kɒr/， “cor” 发 /kɒr/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ɒ/，“r” 发 /r/ 音。
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:spond → /spɒnd/， “spond” 发 /spɒnd/ 音，其中 “s” 发 /s/ 音，“p” 发 /p/ 音，“o” 发短元音 /ɒ/，“n” 发 /n/ 音，“d” 发 /d/ 音。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发 /ŋ/ 音。
  • Causal factors: the model is constructed in such a way that it treats the factors of variation described by the learned representation h as the causes of the observed data x, and not vice - versa.
    • 固定搭配:“in such a way that...”意为“以这样一种方式使得……”；“treat...as...”意为“把……当作……”；“vice - versa”意为“反之亦然”。
    • 句子分析:主从复合句，“that it treats the factors of variation described by the learned representation h as the causes of the observed data x, and not vice - versa”是结果状语从句。
    • 翻译:“因果因素：模型的构建方式使得它将学习到的表示h所描述的变化因素视为观测数据x的原因，而不是相反。”
    • 单词分析:
      • causal:形容词，词源来自拉丁语“causa”（原因），词义：因果的，有因果关系的。
        • 记忆方法:“cause”（原因）+“-al”（形容词后缀）→因果的。
        • 形近词:cause（名词，原因；动词，导致）、casual（随意的）。
        • 发音解析:
          • 音节分解:ca + us + al，/ˈkɔːzl/，重音在第一音节
          • 规则:ca → /kɔː/， “ca” 发 /kɔː/ 音，其中 “c” 发 /k/ 音，“a” 发长元音 /ɔː/。
          • 规则:us → /əs/， “us” 发 /əs/ 音，其中 “u” 发短元音 /ə/，“s” 发 /s/ 音。
          • 规则:al → /l/， “al” 发 /l/ 音，其中 “a” 不发音，“l” 发 /l/ 音。
    • constructed:形容词，词源来自“construct”（构建）+“-ed”（形容词后缀），词义：构建的，建造的。
      • 记忆方法:“construct”（构建）+“-ed”（形容词后缀）→构建的。
      • 形近词:construct（动词，构建）、destructed（被破坏的）。
      • 发音解析:
        • 音节分解:con + struct + ed，/kənˈstrʌktɪd/，重音在第二音节
        • 规则:con → /kən/， “con” 发 /kən/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ə/，“n” 发 /n/ 音。
        • 规则:struct → /strʌkt/， “struct” 发 /strʌkt/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“r” 发 /r/ 音，“u” 发短元音 /ʌ/，“c” 发 /k/ 音。
        • 规则:ed → /ɪd/， “ed” 发 /ɪd/ 音，其中 “e” 发短元音 /ɪ/，“d” 发 /d/ 音。
  • As discussed in Sec. 15.3, this is advantageous for semi - supervised learning and makes the learned model more robust when the distribution over the underlying causes changes or when we use the model for a new task.
    • 固定搭配:“be advantageous for”意为“对……有利”；“when...”引导时间状语从句。
    • 句子分析:主从复合句，“As discussed in Sec. 15.3”是方式状语，“when the distribution over the underlying causes changes”和“when we use the model for a new task”是并列的时间状语从句。
    • 翻译:“正如第15.3节所讨论的，这对半监督学习有利，并且当潜在原因的分布发生变化或我们将模型用于新任务时，使学习到的模型更健壮。”
    • 单词分析:
      • advantageous:形容词，词源来自“advantage”（优势）+“-ous”（形容词后缀），词义：有利的，有益的。
        • 记忆方法:“advantage”（优势）+“-ous”（形容词后缀）→有利的。
        • 形近词:advantage（名词，优势）、dangerous（危险的）。
        • 发音解析:
          • 音节分解:ad + van + tage + ous，/ˌædvənˈteɪdʒəs/，重音在第二音节
          • 规则:ad → /æd/， “ad” 发 /æd/ 音，其中 “a” 发短元音 /æ/，“d” 发 /d/ 音。
          • 规则:van → /vən/， “van” 发 /vən/ 音，其中 “v” 发 /v/ 音，“a” 发短元音 /ə/，“n” 发 /n/ 音。
          • 规则:tage → /teɪdʒ/， “tage” 发 /teɪdʒ/ 音，其中 “t” 发 /t/ 音，“a” 发长元音 /eɪ/，“g” 发 /dʒ/ 音，“e” 不发音。
          • 规则:ous → /əs/， “ous” 发 /əs/ 音，其中 “o” 发短元音 /ə/，“u” 不发音，“s” 发 /s/ 音。
    • robust:形容词，词源来自拉丁语“robustus”（强壮的），词义：健壮的，强健的。
      • 记忆方法:联想“rob”（抢劫）+“ust”（看作“rust”，铁锈）→像铁锈一样坚固→健壮的。
      • 形近词:rob（动词，抢劫）、abust（无此词，仅用于形近对比）。
      • 发音解析:
        • 音节分解:ro + bust，/rəʊˈbʌst/，重音在第二音节
        • 规则:ro → /rəʊ/， “ro” 发 /rəʊ/ 音，其中 “r” 发 /r/ 音，“o” 发长元音 /əʊ/。
        • 规则:bust → /bʌst/， “bust” 发 /bʌst/ 音，其中 “b” 发 /b/ 音，“u” 发短元音 /ʌ/，“s” 发 /s/ 音，“t” 发 /t/ 音。
  • Depth, or a hierarchical organization of explanatory factors: High - level, abstract concepts can be defined in terms of simple concepts, forming a hierarchy.
    • 固定搭配:“in terms of”意为“根据，就……而言”。
    • 句子分析:简单句，主谓宾结构，“forming a hierarchy”是现在分词短语作结果状语。
    • 翻译:“深度，或解释因素的层次结构：高级的、抽象的概念可以根据简单的概念来定义，形成一个层次结构。”
    • 单词分析:
      • hierarchical:形容词，词源来自希腊语“hierarkhia”（等级制度），词义：层次的，等级的。
        • 记忆方法:“hierarchy”（等级制度）+“-ical”（形容词后缀）→层次的。
        • 形近词:hierarchy（名词，等级制度）、historical（历史的）。
        • 发音解析:
          • 音节分解:hi + er + arch + i + cal，/ˌhaɪəˈrɑːkɪkl/，重音在第二音节
          • 规则:hi → /haɪ/， “hi” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/。
          • 规则:er → /ə/， “er” 发 /ə/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
          • 规则:arch → /ɑːk/， “arch” 发 /ɑːk/ 音，其中 “a” 发长元音 /ɑː/，“r” 发 /r/ 音，“ch” 发 /k/ 音。
          • 规则:i → /ɪ/， “i” 发 /ɪ/ 音，其中 “i” 发短元音 /ɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
    • abstract:形容词，词源来自拉丁语“abstractus”（抽出的），词义：抽象的。
      • 记忆方法:“abs -”（离开）+“tract”（拉）→把具体的东西拉开→抽象的。
      • 形近词:attract（吸引）、contract（合同；收缩）。
      • 发音解析:
        • 音节分解:ab + stract，/ˈæbstrækt/，重音在第一音节
        • 规则:ab → /æb/， “ab” 发 /æb/ 音，其中 “a” 发短元音 /æ/，“b” 发 /b/ 音。
        • 规则:stract → /strækt/， “stract” 发 /strækt/ 音，其中 “s” 发 /s/ 音，“t” 发 /t/ 音，“r” 发 /r/ 音，“a” 发短元音 /æ/，“c” 发 /k/ 音。
    • hierarchy:名词，词源来自希腊语“hierarkhia”（等级制度），词义：等级制度，层次结构。
      • 记忆方法:联想“hi”（高）+“er”（比较级）+“archy”（统治）→高层统治→等级制度。
      • 形近词:hierarchical（形容词，层次的）、monarchy（君主制）。
      • 发音解析:
        • 音节分解:hi + er + arch + y，/ˈhaɪərɑːki/，重音在第一音节
        • 规则:hi → /haɪ/， “hi” 发 /haɪ/ 音，其中 “h” 发 /h/ 音，“i” 发长元音 /aɪ/。
        • 规则:er →/ə/， “er” 发 /ə/ 音，其中 “e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:arch → /ɑːk/， “arch” 发 /ɑːk/ 音，其中 “a” 发长元音 /ɑː/，“r” 发 /r/ 音，“ch” 发 /k/ 音。
        • 规则:y → /i/， “y” 发 /i/ 音，其中 “y” 发短元音 /i/。

  • From another point of view, the use of a deep architecture expresses our belief that the task should be accomplished via a multi - step program, with each step referring back to the output of the processing accomplished via previous steps.
    • 固定搭配:“from another point of view”意为“从另一个角度看”；“refer back to”意为“参考；回顾”。
    • 句子分析:句子主干为“the use of a deep architecture expresses our belief”，“that the task should be accomplished via a multi - step program”是同位语从句，解释说明“belief”，“with each step referring back to...”是伴随状语。
    • 翻译:从另一个角度看，深度架构的使用表达了我们的信念，即该任务应通过一个多步骤程序来完成，每个步骤都参考前一步骤处理的输出。
    • 单词分析:
      • architecture:名词，词源来自希腊语“arkhitekton”（建筑师），词义：架构；建筑风格。
        • 记忆方法:“archi”（主要的）+“tect”（建造）→主要的建造方式→架构。
        • 形近词:architecture/architect（建筑师）、archive（档案）。
        • 发音解析:
          • 音节分解:ar + chi + tec + ture /ˈɑːkɪtektʃə(r)/，重音在第一音节
          • 规则:ar → /ɑː/， “ar” 发长元音 /ɑː/。
          • 规则:chi → /kɪ/， “chi” 发短音 /kɪ/。
          • 规则:tec → /tek/， “tec” 发 /tek/ 音。
          • 规则:ture → /tʃə(r)/， “ture” 发 /tʃə(r)/ 音。
    • accomplished:形容词，词源来自“accomplish”（完成）的过去分词形式，词义：完成的；有造诣的。
      • 记忆方法:联想“ac - ”（加强）+“complish”（完成）→完成得很好→有造诣的。
      • 形近词:accomplished/accomplish（完成）、accompany（陪伴）。
      • 发音解析:
        • 音节分解:ac + com + plish + ed /əˈkʌmplɪʃt/，重音在第二音节
        • 规则:ac → /ə/， “ac” 发短元音 /ə/。
        • 规则:com → /kʌm/， “com” 发 /kʌm/ 音。
        • 规则:plish → /plɪʃ/， “plish” 发 /plɪʃ/ 音。
        • 规则:ed → /t/， “ed” 发 /t/ 音。
    • multi - step:形容词，由“multi - ”（多）和“step”（步骤）组成，词义：多步骤的。
      • 记忆方法:直接理解“多步骤的”。
      • 形近词:multi - step/multiple（多样的）、step（步骤）。
      • 发音解析:
        • 音节分解:mul + ti + step /ˈmʌltɪstep/，重音在第一音节
        • 规则:mul → /mʌl/， “mul” 发 /mʌl/ 音。
        • 规则:ti → /tɪ/， “ti” 发短音 /tɪ/。
        • 规则:step → /step/， “step” 发 /step/ 音。

  • Shared factors across tasks: In the context where we have many tasks, corresponding to different y i variables sharing the same input x or where each task is associated with a subset or a function f ( ) i ( x ) of a global input x, the assumption is that each y i is associated with a different subset from a common pool of relevant factors h.
    • 固定搭配:“correspond to”意为“对应；符合”；“be associated with”意为“与……有关联”。
    • 句子分析:句子中包含两个由“where”引导的定语从句修饰“context”，“that each y i is associated with...”是表语从句。
    • 翻译:跨任务的共享因素：在我们有许多任务的情境中，这些任务对应着共享相同输入x的不同y i变量，或者每个任务与全局输入x的一个子集或函数f ( ) i ( x )相关联，假设每个y i与来自相关因素h的公共池中的不同子集相关联。
    • 单词分析:
      • context:名词，词源来自拉丁语“contextus”（编织在一起），词义：上下文；背景。
        • 记忆方法:“con - ”（一起）+“text”（文本）→文本放在一起→上下文。
        • 形近词:context/contact（接触）、contest（竞赛）。
        • 发音解析:
          • 音节分解:con + text /ˈkɒntekst/，重音在第一音节
          • 规则:con → /kɒn/， “con” 发 /kɒn/ 音。
          • 规则:text → /tekst/， “text” 发 /tekst/ 音。
    • subset:名词，由“sub - ”（下面；次要）和“set”（集合）组成，词义：子集。
      • 记忆方法:直接理解“集合下面的部分”→子集。
      • 形近词:subset/submarine（潜艇）、subway（地铁）。
      • 发音解析:
        • 音节分解:sub + set /ˈsʌbset/，重音在第一音节
        • 规则:sub → /sʌb/， “sub” 发 /sʌb/ 音。
        • 规则:set → /set/， “set” 发 /set/ 音。
    • assumption:名词，词源来自拉丁语“assumere”（承担；假设），词义：假设；假定。
      • 记忆方法:“as - ”（加强）+“sum”（拿）+“ption”（名词后缀）→拿过来作为前提→假设。
      • 形近词:assumption/assume（假设）、consumption（消费）。
      • 发音解析:
        • 音节分解:as + sum + p + tion /əˈsʌmpʃn/，重音在第二音节
        • 规则:as → /ə/， “as” 发短元音 /ə/。
        • 规则:sum → /sʌm/， “sum” 发 /sʌm/ 音。
        • 规则:p → /p/， “p” 发 /p/ 音。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音。
    • relevant:形容词，词源来自拉丁语“relevare”（举起；使相关），词义：相关的；切题的。
      • 记忆方法:“re - ”（回）+“lev”（举）+“ant”（形容词后缀）→能举回来的→相关的。
      • 形近词:relevant/elevate（提升）、relieve（减轻）。
      • 发音解析:
        • 音节分解:re + lev + ant /ˈreləvənt/，重音在第一音节
        • 规则:re → /rɪ/， “re” 发短音 /rɪ/。
        • 规则:lev → /lev/， “lev” 发 /lev/ 音。
        • 规则:ant → /ənt/， “ant” 发 /ənt/ 音。
  • Because these subsets overlap, learning all
  • the P ( y i | x ) via a shared intermediate representation P ( h x | ) allows sharing of statistical strength between the tasks.
    • 固定搭配:“allow sb/sth to do sth”这里省略“to”，意为“允许……做某事”；“via”意为“通过；经由”。
    • 句子分析:“Because these subsets overlap”是原因状语从句，主句“learning all the P ( y i | x )... allows sharing of...”中“learning all the P ( y i | x )”是动名词短语作主语。
    • 翻译:因为这些子集有重叠，通过共享的中间表示P ( h x | )来学习所有的P ( y i | x )可以在任务之间共享统计强度。
    • 单词分析:
      • overlap:动词，由“over - ”（在……之上）和“lap”（重叠）组成，词义：重叠；部分相同。
        • 记忆方法:“over”（在上面）+“lap”（覆盖）→在上面覆盖→重叠。
        • 形近词:overlap/overlook（忽视）、overcoat（大衣）。
        • 发音解析:
          • 音节分解:o + ver + lap /ˈəʊvəlæp/，重音在第一音节
          • 规则:o → /əʊ/， “o” 发长元音 /əʊ/。
          • 规则:ver → /və(r)/， “ver” 发 /və(r)/ 音。
          • 规则:lap → /læp/， “lap” 发 /læp/ 音。
    • intermediate:形容词，词源来自拉丁语“intermedius”（中间的），词义：中间的；中级的。
      • 记忆方法:“inter - ”（在……之间）+“mediate”（调解）→在中间调解→中间的。
      • 形近词:intermediate/mediate（调解）、interrupt（打断）。
      • 发音解析:
        • 音节分解:in + ter + me + di + ate /ˌɪntəˈmiːdiət/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音。
        • 规则:ter → /tə(r)/， “ter” 发 /tə(r)/ 音。
        • 规则:me → /miː/， “me” 发长音 /miː/。
        • 规则:di → /dɪ/， “di” 发短音 /dɪ/。
        • 规则:ate → /ət/， “ate” 发 /ət/ 音。
    • representation:名词，词源来自“represent”（代表；表现）的名词形式，词义：代表；表现；表示。
      • 记忆方法:“re - ”（回）+“present”（呈现）+“ation”（名词后缀）→呈现回来→表现。
      • 形近词:representation/represent（代表）、reputation（名声）。
      • 发音解析:
        • 音节分解:re + pre + sent + a + tion /ˌreprɪzenˈteɪʃn/，重音在第三音节
        • 规则:re → /rɪ/， “re” 发短音 /rɪ/。
        • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音。
        • 规则:sent → /sent/， “sent” 发 /sent/ 音。
        • 规则:a → /ə/， “a” 发短元音 /ə/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音。
  • Probability mass concentrates, and the regions in which it concentrates are locally connected and occupy a tiny volume.
    • 固定搭配:无。
    • 句子分析:这是一个并列句，由“and”连接两个分句，“in which it concentrates”是定语从句，修饰“regions”。
    • 翻译:概率质量集中，并且它所集中的区域在局部是相连的，且占据很小的体积。
    • 单词分析:
      • concentrates:动词，词源来自拉丁语“concentrare”（集中），词义：集中；聚集。
        • 记忆方法:“con - ”（一起）+“centr”（中心）+“ate”（动词后缀）→一起到中心→集中。
        • 形近词:concentrates/concentric（同心的）、concentration（集中）。
        • 发音解析:
          • 音节分解:con + cen + trate + s /ˈkɒnsntreɪts/，重音在第一音节
          • 规则:con → /kɒn/， “con” 发 /kɒn/ 音。
          • 规则:cen → /sen/， “cen” 发 /sen/ 音。
          • 规则:trate → /treɪt/， “trate” 发 /treɪt/ 音。
          • 规则:s → /s/， “s” 发 /s/ 音。
    • locally:副词，由“local”（当地的）加“- ly”构成，词义：局部地；在本地。
      • 记忆方法:“local”（当地的）+“ly”（副词后缀）→在当地地→局部地。
      • 形近词:locally/local（当地的）、locate（定位）。
      • 发音解析:
        • 音节分解:lo + cal + ly /ˈləʊkəli/，重音在第一音节
        • 规则:lo → /ləʊ/， “lo” 发长元音 /ləʊ/。
        • 规则:cal → /kəl/， “cal” 发 /kəl/ 音。
        • 规则:ly → /li/， “ly” 发 /li/ 音。
  • In the continuous case, these regions can be approximated by low - dimensional manifolds with a much smaller dimensionality than the original space where the data lives.
    • 固定搭配:“in the... case”意为“在……情况下”；“be approximated by”意为“被……近似”。
    • 句子分析:“where the data lives”是定语从句，修饰“space”。
    • 翻译:在连续的情况下，这些区域可以由低维流形近似，其维度比数据所在的原始空间小得多。
    • 单词分析:
      • continuous:形容词，词源来自拉丁语“continuus”（连续的），词义：连续的；持续的。
        • 记忆方法:“con - ”（一起）+“tin”（保持）+“uous”（形容词后缀）→一直保持在一起→连续的。
        • 形近词:continuous/continue（继续）、continent（大陆）。
        • 发音解析:
          • 音节分解:con + tin + uous /kənˈtɪnjuəs/，重音在第二音节
          • 规则:con → /kən/， “con” 发 /kən/ 音。
          • 规则:tin → /tɪn/， “tin” 发 /tɪn/ 音。
          • 规则:uous → /juəs/， “uous” 发 /juəs/ 音。
    • approximated:动词过去式，词源来自拉丁语“approximare”（接近），词义：近似；接近。
      • 记忆方法:“ap - ”（加强）+“proxim”（接近）+“ate”（动词后缀）→不断接近→近似。
      • 形近词:approximated/approximate（近似的）、proximity（接近）。
      • 发音解析:
        • 音节分解:ap + prox + i + mate + d /əˈprɒksɪmeɪtɪd/，重音在第二音节
        • 规则:ap → /ə/， “ap” 发短元音 /ə/。
        • 规则:prox → /prɒks/， “prox” 发 /prɒks/ 音。
        • 规则:i → /ɪ/， “i” 发短音 /ɪ/。
        • 规则:mate → /meɪt/， “mate” 发 /meɪt/ 音。
        • 规则:d → /d/， “d” 发 /d/ 音。
    • dimensionality:名词，由“dimensional”（维度的）加“- ity”构成，词义：维度；维数。
      • 记忆方法:“dimensional”（维度的）+“ity”（名词后缀）→维度的性质→维度。
      • 形近词:dimensionality/dimensional（维度的）、dimension（维度）。
      • 发音解析:
        • 音节分解:di + men + sion + al + ity /daɪˌmenʃəˈnæləti/，重音在第三音节
        • 规则:di → /daɪ/， “di” 发 /daɪ/ 音。
        • 规则:men → /men/， “men” 发 /men/ 音。
        • 规则:sion → /ʃn/， “sion” 发 /ʃn/ 音。
        • 规则:al → /əl/， “al” 发 /əl/ 音。
        • 规则:ity → /əti/， “ity” 发 /əti/ 音。
    • manifolds:名词，词源来自拉丁语“manus”（手）和“fold”（折叠），词义：流形。
      • 记忆方法:联想“手可以折叠出各种形状”→流形。
      • 形近词:manifolds/manifest（显示）、manipulate（操纵）。
      • 发音解析:
        • 音节分解:man + i + fold + s /ˈmænɪfəʊldz/，重音在第一音节
        • 规则:man → /mæn/， “man” 发 /mæn/ 音。
        • 规则:i → /ɪ/， “i” 发短音 /ɪ/。
        • 规则:fold → /fəʊld/， “fold” 发 /fəʊld/ 音。
        • 规则:s → /z/， “s” 发 /z/ 音。
  • Many machine learning algorithms behave sensibly only on this manifold (, ).
    • 固定搭配:无。
    • 句子分析:简单句，主谓结构。
    • 翻译:许多机器学习算法只在这个流形上表现合理。
    • 单词分析:
      • sensibly:副词，由“sensible”（明智的；合理的）加“- ly”构成，词义：合理地；明智地。
        • 记忆方法:“sensible”（合理的）+“ly”（副词后缀）→合理地。
        • 形近词:sensibly/sensible（合理的）、sensitive（敏感的）。
        • 发音解析:
          • 音节分解:sen + si + ble + ly /ˈsensəbli/，重音在第一音节
          • 规则:sen → /sen/， “sen” 发 /sen/ 音。
          • 规则:si → /sɪ/， “si” 发 /sɪ/ 音。
          • 规则:ble → /bl/， “ble” 发 /bl/ 音。
          • 规则:ly → /li/， “ly” 发 /li/ 音。
  • Some machine learning algorithms, especially Goodfellow et al. 2014b autoencoders, attempt to explicitly learn the structure of the manifold.
    • 固定搭配:“attempt to do sth”意为“试图做某事”。
    • 句子分析:简单句，主谓宾结构，“especially Goodfellow et al. 2014b autoencoders”是插入语。
    • 翻译:一些机器学习算法，尤其是古德费洛等人2014b年提出的自动编码器，试图明确地学习流形的结构。
    • 单词分析:
      • explicitly:副词，由“explicit”（明确的）加“- ly”构成，词义：明确地；清楚地。
        • 记忆方法:“ex - ”（向外）+“plic”（折叠）+“it”（走）+“ly”（副词后缀）→向外展开走→明确地。
        • 形近词:explicitly/explicit（明确的）、implicit（含蓄的）。
        • 发音解析:
          • 音节分解:ex + pli + cit + ly /ɪkˈsplɪsɪtli/，重音在第二音节
          • 规则:ex → /ɪk/， “ex” 发 /ɪk/ 音。
          • 规则:pli → /plɪ/， “pli” 发 /plɪ/ 音。
          • 规则:cit → /sɪt/， “cit” 发 /sɪt/ 音。
          • 规则:ly → /li/， “ly” 发 /li/ 音。
  • Many machine learning algorithms assume that each connected manifold in the input space may be assigned to a single class.
    • 固定搭配:“assume that...”意为“假设……”；“be assigned to”意为“被分配到；被指定给”。
    • 句子分析:“that each connected manifold... may be assigned to a single class”是宾语从句，作“assume”的宾语。
    • 翻译:许多机器学习算法假设输入空间中的每个相连流形可以被分配到一个单一的类别。
    • 单词分析:
      • assigned:动词过去式，词源来自拉丁语“assignare”（分配；指定），词义：分配；指定。
        • 记忆方法:“as - ”（加强）+“sign”（标记）→加强标记→分配。
        • 形近词:assigned/assign（分配）、design（设计）。
        • 发音解析:
          • 音节分解:as + sign + ed /əˈsaɪnd/，重音在第二音节
          • 规则:as → /ə/， “as” 发短元音 /ə/。
          • 规则:sign → /saɪn/， “sign” 发 /saɪn/ 音。
          • 规则:ed → /d/， “ed” 发 /d/ 音。
  • The data may lie on many disconnected manifolds, but the class remains constant within each one of these.
    • 固定搭配:“lie on”意为“位于；取决于”。
    • 句子分析:这是一个并列句，由“but”连接两个分句，表示转折关系。
    • 翻译:数据可能位于许多不相连的流形上，但每个流形内的类别保持不变。
    • 单词分析:
      • disconnected:形容词，由“dis - ”（否定）和“connected”（相连的）组成，词义：不相连的；断开的。
        • 记忆方法:“dis - ”（否定）+“connected”（相连的）→不相连的。
        • 形近词:disconnected/connect（连接）、connection（连接）。
        • 发音解析:
          • 音节分解:dis + con + nect + ed /ˌdɪskəˈnektɪd/，重音在第二音节
          • 规则:dis → /dɪs/， “dis” 发 /dɪs/ 音。
          • 规则:con → /kən/， “con” 发 /kən/ 音。
          • 规则:nect → /nekt/， “nect” 发 /nekt/ 音。
          • 规则:ed → /ɪd/， “ed” 发 /ɪd/ 音。
    • constant:形容词，词源来自拉丁语“constans”（坚定的；不变的），词义：恒定的；不变的。
      • 记忆方法:“con - ”（一起）+“stant”（站立）→一直站在一起→不变的。
      • 形近词:constant/constancy（恒定）、instant（瞬间的）。
      • 发音解析:
        • 音节分解:con + stant /ˈkɒnstənt/，重音在第一音节
        • 规则:con → /kɒn/， “con” 发 /kɒn/ 音。
        • 规则:stant → /stənt/， “stant” 发 /stənt/ 音。

  • This assumption motivates a variety of learning algorithms, including tangent propagation, double backprop, the manifold tangent classifier and adversarial training.
    • 固定搭配:“a variety of”，含义：“各种各样的”；“including...”为现在分词作伴随状语的结构，用来列举事物。
    • 句子分析:简单句，主谓宾结构。“This assumption”是主语，“motivates”是谓语，“a variety of learning algorithms”是宾语。
    • 翻译:“这一假设推动了各种各样的学习算法，包括切线传播、双重反向传播、流形切线分类器和对抗训练。”
    • 单词分析:
      • motivates:动词第三人称单数，词源来自拉丁语“motivus”（移动的原因），词义：激发；推动。
        • 记忆方法:联想“motive”（动机），“-ate”是动词后缀，有动机就会推动行动。
        • 形近词:motivate/motif（主题）、motion（运动）。
        • 发音解析:
          • 音节分解:mo + ti + vate /ˈməʊtɪveɪt/，重音在第二音节
          • 规则:mo → /məʊ/， “mo” 发 /məʊ/ 音，其中 “o” 发长元音 /əʊ/。
          • 规则:ti → /tɪ/， “ti” 发短音 /tɪ/，类似于 “tip” 的发音。
          • 规则:vate → /veɪt/， “vate” 发 /veɪt/ 音，其中 “v” 发 /v/ 音，“a” 发长元音 /eɪ/，“t” 发 /t/ 音。
    • tangent:名词，词源来自拉丁语“tangere”（触摸），词义：切线；正切。
      • 记忆方法:联想“tang”（触摸），切线就是刚好触摸到曲线的线。
      • 形近词:tangent/tangle（使缠结）、tangy（有刺激性味道的）。
      • 发音解析:
        • 音节分解:tan + gent /ˈtændʒənt/，重音在第一音节
        • 规则:tan → /tæn/， “tan” 发 /tæn/ 音，其中 “t” 发 /t/ 音，“a” 发短元音 /æ/，“n” 发鼻音。
        • 规则:gent → /dʒənt/， “gent” 发 /dʒənt/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /ə/，“n” 发鼻音，“t” 发 /t/ 音。
    • propagation:名词，词源来自拉丁语“propagare”（繁殖；传播），词义：传播；繁殖。
      • 记忆方法:“pro-”（向前）+“pag”（页；传播）+“-ation”（名词后缀），向前传播。
      • 形近词:propagation/propaganda（宣传）、propagate（传播）。
      • 发音解析:
        • 音节分解:pro + pa + ga + tion /ˌprɒpəˈɡeɪʃn/，重音在第三音节
        • 规则:pro → /prɒ/， “pro” 发 /prɒ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“o” 发短元音 /ɒ/。
        • 规则:pa → /pə/， “pa” 发 /pə/ 音，其中 “p” 发 /p/ 音，“a” 发短元音 /ə/。
        • 规则:ga → /ɡə/， “ga” 发 /ɡə/ 音，其中 “g” 发 /ɡ/ 音，“a” 发短元音 /ə/。
        • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
    • adversarial:形容词，词源来自拉丁语“adversarius”（对手），词义：对抗性的；敌对的。
      • 记忆方法:“ad-”（向）+“vers”（转）+“-arial”（形容词后缀），转向对立的方向，即对抗性的。
      • 形近词:adversarial/adverse（不利的）、adversary（对手）。
      • 发音解析:
        • 音节分解:ad + ver + sa + rial /ˌædvəˈseəriəl/，重音在第三音节
        • 规则:ad → /æd/， “ad” 发 /æd/ 音，其中 “a” 发短元音 /æ/，“d” 发 /d/ 音。
        • 规则:ver → /və/， “ver” 发 /və/ 音，其中 “v” 发 /v/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:sa → /sə/， “sa” 发 /sə/ 音，其中 “s” 发 /s/ 音，“a” 发短元音 /ə/。
        • 规则:rial → /riəl/， “rial” 发 /riəl/ 音，其中 “r” 发 /r/ 音，“i” 发长元音 /iː/，“a” 发短元音 /ə/，“l” 发 /l/ 音。

  • Temporal and spatial coherence: Slow feature analysis and related algorithms make the assumption that the most important explanatory factors change slowly over time, or at least that it is easier to predict the true underlying explanatory factors than to predict raw observations such as pixel values.
    • 固定搭配:“over time”，含义：“随着时间的推移”；“at least”，含义：“至少”。
    • 句子分析:主从复合句，“Slow feature analysis and related algorithms”是主语，“make”是谓语，“the assumption”是宾语，后面跟了两个由“that”引导的同位语从句，解释说明“assumption”的内容。
    • 翻译:“时间和空间连贯性：慢特征分析及相关算法做出这样的假设，即最重要的解释因素随时间变化缓慢，或者至少预测真正的潜在解释因素比预测原始观测值（如像素值）更容易。”
    • 单词分析:
      • temporal:形容词，词源来自拉丁语“tempus”（时间），词义：时间的；暂时的。
        • 记忆方法:联想“temper”（脾气，脾气会随时间变化），“-al”是形容词后缀。
        • 形近词:temporal/temperate（温和的）、temporary（临时的）。
        • 发音解析:
          • 音节分解:tem + po + ral /ˈtempərəl/，重音在第一音节
          • 规则:tem → /tem/， “tem” 发 /tem/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /e/，“m” 发 /m/ 音。
          • 规则:po → /pəʊ/， “po” 发 /pəʊ/ 音，其中 “p” 发 /p/ 音，“o” 发长元音 /əʊ/。
          • 规则:ral → /rəl/， “ral” 发 /rəl/ 音，其中 “r” 发 /r/ 音，“a” 发短元音 /ə/，“l” 发 /l/ 音。
    • spatial:形容词，词源来自拉丁语“spatium”（空间），词义：空间的。
      • 记忆方法:联想“space”（空间），“-ial”是形容词后缀。
      • 形近词:spatial/special（特殊的）、spatially（在空间上）。
      • 发音解析:
        • 音节分解:spa + tial /ˈspeɪʃl/，重音在第一音节
        • 规则:spa → /speɪ/， “spa” 发 /speɪ/ 音，其中 “s” 发 /s/ 音，“p” 发 /p/ 音，“a” 发长元音 /eɪ/。
        • 规则:tial → /ʃl/， “tial” 发 /ʃl/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“a” 不发音，“l” 发 /l/ 音。
    • coherence:名词，词源来自拉丁语“cohaerere”（黏着；连贯），词义：连贯性；一致性。
      • 记忆方法:“co-”（共同）+“here”（黏附）+“-ence”（名词后缀），共同黏附在一起就是连贯。
      • 形近词:coherence/coherent（连贯的）、incoherent（不连贯的）。
      • 发音解析:
        • 音节分解:co + her + ence /kəʊˈhɪərəns/，重音在第二音节
        • 规则:co → /kəʊ/， “co” 发 /kəʊ/ 音，其中 “c” 发 /k/ 音，“o” 发长元音 /əʊ/。
        • 规则:her → /hɪə/， “her” 发 /hɪə/ 音，其中 “h” 发 /h/ 音，“e” 发长元音 /ɪə/，“r” 发 /r/ 音。
        • 规则:ence → /əns/， “ence” 发 /əns/ 音，其中 “e” 发短元音 /ə/，“n” 发鼻音，“c” 发 /s/ 音。
    • explanatory:形容词，词源来自“explain”（解释），词义：解释性的。
      • 记忆方法:“explain”（解释）+“-atory”（形容词后缀）。
      • 形近词:explanatory/explainable（可解释的）、explanation（解释）。
      • 发音解析:
        • 音节分解:ex + pla + na + to + ry /ɪkˈsplænətri/，重音在第二音节
        • 规则:ex → /ɪkˈs/， “ex” 发 /ɪkˈs/ 音，其中 “e” 发短元音 /ɪ/，“x” 发 /z/ 音。
        • 规则:pla → /plæ/， “pla” 发 /plæ/ 音，其中 “p” 发 /p/ 音，“l” 发 /l/ 音，“a” 发短元音 /æ/。
        • 规则:na → /nə/， “na” 发 /nə/ 音，其中 “n” 发鼻音，“a” 发短元音 /ə/。
        • 规则:to → /təʊ/， “to” 发 /təʊ/ 音，其中 “t” 发 /t/ 音，“o” 发长元音 /əʊ/。
        • 规则:ry → /ri/， “ry” 发 /ri/ 音，其中 “r” 发 /r/ 音，“y” 发长元音 /iː/。
    • underlying:形容词，词源来自“underlie”（位于……之下；潜在），词义：潜在的；根本的。
      • 记忆方法:“under-”（在……之下）+“lie”（躺），在下面躺着的就是潜在的。
      • 形近词:underlying/underlie（动词原形）、underling（下属）。
      • 发音解析:
        • 音节分解:un + der + ly + ing /ˌʌndəˈlaɪɪŋ/，重音在第三音节
        • 规则:un → /ʌn/， “un” 发 /ʌn/ 音，其中 “u” 发短元音 /ʌ/，“n” 发鼻音。
        • 规则:der → /də/， “der” 发 /də/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:ly → /laɪ/， “ly” 发 /laɪ/ 音，其中 “l” 发 /l/ 音，“y” 发长元音 /aɪ/。
        • 规则:ing → /ɪŋ/， “ing” 发 /ɪŋ/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音，“g” 发 /ŋ/ 音。
  • See Sec. for further description of this approach. 13.3
    • 固定搭配:“for further description”，含义：“为了进一步的描述”。
    • 句子分析:祈使句，省略了主语。“See”是谓语，“Sec. 13.3”是宾语。
    • 翻译:“有关此方法的进一步描述，请参阅第13.3节。”
  • Sparsity: Most features should presumably not be relevant to describing most inputs—there is no need to use a feature that detects elephant trunks when representing an image of a cat.
    • 固定搭配:“be relevant to”，含义：“与……相关”；“there is no need to”，含义：“没有必要做某事”。
    • 句子分析:主从复合句，“Most features”是主语，“should presumably not be relevant to”是谓语部分，“describing most inputs”是宾语。破折号后面是对前面内容的进一步解释，其中“that detects elephant trunks”是定语从句，修饰“feature”。
    • 翻译:“稀疏性：大多数特征可能与描述大多数输入无关 —— 在表示猫的图像时，没有必要使用检测象鼻的特征。”
    • 单词分析:
      • sparsity:名词，词源来自拉丁语“sparsus”（稀疏的），词义：稀疏性；稀少。
        • 记忆方法:联想“sparse”（稀疏的），“-ity”是名词后缀。
        • 形近词:sparsity/sparse（稀疏的）、sparsely（稀疏地）。
        • 发音解析:
          • 音节分解:spar + si + ty /ˈspæsəti/，重音在第一音节
          • 规则:spar → /spɑː/， “spar” 发 /spɑː/ 音，其中 “s” 发 /s/ 音，“p” 发 /p/ 音，“a” 发长元音 /ɑː/，“r” 发 /r/ 音。
          • 规则:si → /sɪ/， “si” 发 /sɪ/ 音，其中 “s” 发 /s/ 音，“i” 发短元音 /ɪ/。
          • 规则:ty → /ti/， “ty” 发 /ti/ 音，其中 “t” 发 /t/ 音，“y” 发长元音 /iː/。
    • presumably:副词，词源来自“presume”（假定；推测），词义：大概；可能。
      • 记忆方法:“presume”（假定）+“-ably”（副词后缀）。
      • 形近词:presumably/presume（动词原形）、presumption（假定）。
      • 发音解析:
        • 音节分解:pre + sum + ably /prɪˈzjuːməbli/，重音在第二音节
        • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:sum → /zjuːm/， “sum” 发 /zjuːm/ 音，其中 “s” 发 /z/ 音，“u” 发长元音 /juː/，“m” 发 /m/ 音。
        • 规则:ably → /əbli/， “ably” 发 /əbli/ 音，其中 “a” 发短元音 /ə/，“b” 发 /b/ 音，“l” 发 /l/ 音，“y” 发长元音 /iː/。
  • It is therefore reasonable to impose a prior that any feature that can be interpreted as “present” or “absent” should be absent most of the time.
    • 固定搭配:“it is reasonable to”，含义：“做某事是合理的”；“impose...on...”，这里省略了“on”，“impose a prior”表示“施加一个先验条件”。
    • 句子分析:主从复合句，“It”是形式主语，真正的主语是“to impose a prior...”。“that any feature...should be absent most of the time”是同位语从句，解释说明“prior”的内容，其中“that can be interpreted as ‘present’ or ‘absent’”是定语从句，修饰“feature”。
    • 翻译:“因此，施加一个先验条件是合理的，即任何可以被解释为‘存在’或‘不存在’的特征在大多数情况下都应该是不存在的。”
    • 单词分析:
      • reasonable:形容词，词源来自“reason”（理由），词义：合理的；有道理的。
        • 记忆方法:“reason”（理由）+“-able”（形容词后缀，可……的），有理由的就是合理的。
        • 形近词:reasonable/reason（名词，理由；动词，推理）、reasonably（合理地）。
        • 发音解析:
          • 音节分解:rea + son + able /ˈriːznəbl/，重音在第一音节
          • 规则:rea → /riː/， “rea” 发 /riː/ 音，其中 “r” 发 /r/ 音，“e” 发长元音 /iː/，“a” 不发音。
          • 规则:son → /zn/， “son” 发 /zn/ 音，其中 “s” 发 /z/ 音，“o” 不发音，“n” 发鼻音。
          • 规则:able → /əbl/， “able” 发 /əbl/ 音，其中 “a” 发短元音 /ə/，“b” 发 /b/ 音，“l” 发 /l/ 音。
    • impose:动词，词源来自拉丁语“imponere”（放置；施加），词义：强加；施加。
      • 记忆方法:“im-”（进入）+“pose”（放置），放进去就是施加。
      • 形近词:impose/oppose（反对）、expose（暴露）。
      • 发音解析:
        • 音节分解:im + pose /ɪmˈpəʊz/，重音在第二音节
        • 规则:im → /ɪm/， “im” 发 /ɪm/ 音，其中 “i” 发短元音 /ɪ/，“m” 发鼻音。
        • 规则:pose → /pəʊz/， “pose” 发 /pəʊz/ 音，其中 “p” 发 /p/ 音，“o” 发长元音 /əʊ/，“s” 发 /z/ 音。
    • prior:形容词，词源来自拉丁语“prior”（更早的），词义：优先的；先验的。
      • 记忆方法:联想“pri-”（第一），有优先性。
      • 形近词:prior/priory（小修道院）、priority（优先事项）。
      • 发音解析:
        • 音节分解:pri + or /ˈpraɪə(r)/，重音在第一音节
        • 规则:pri → /praɪ/， “pri” 发 /praɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“i” 发长元音 /aɪ/。
        • 规则:or → /ə(r)/， “or” 发 /ə(r)/ 音，其中 “o” 发短元音 /ə/，“r” 发音。
    • interpreted:动词过去式，词源来自拉丁语“interpretari”（解释；翻译），词义：解释；理解。
      • 记忆方法:联想“inter-”（在……之间）+“pret”（拿），在两者之间拿取意思就是解释。
      • 形近词:interpreted/interpret（动词原形）、interpretation（解释）。
      • 发音解析:
        • 音节分解:in + ter + pret + ed /ɪnˈtɜːprɪtɪd/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:ter → /tɜː/， “ter” 发 /tɜː/ 音，其中 “t” 发 /t/ 音，“e” 发长元音 /ɜː/，“r” 发 /r/ 音。
        • 规则:pret → /prɪt/， “pret” 发 /prɪt/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/，“t” 发 /t/ 音。
        • 规则:ed → /ɪd/， “ed” 发 /ɪd/ 音，其中 “e” 发短元音 /ɪ/，“d” 发 /d/ 音。
  • Simplicity of Factor Dependencies: In good high - level representations, the factors are related to each other through simple dependencies.
    • 固定搭配:“be related to”，含义：“与……相关”；“each other”，含义：“彼此；互相”。
    • 句子分析:简单句，“the factors”是主语，“are related to”是谓语，“each other”是宾语，“through simple dependencies”是方式状语。
    • 翻译:“因子依赖关系的简单性：在良好的高级表示中，这些因子通过简单的依赖关系相互关联。”
    • 单词分析:
      • simplicity:名词，词源来自拉丁语“simplicitas”（简单；单纯），词义：简单性；简易。
        • 记忆方法:联想“simple”（简单的），“-ity”是名词后缀。
        • 形近词:simplicity/simple（简单的）、simplify（简化）。
        • 发音解析:
          • 音节分解:sim + pli + city /sɪmˈplɪsəti/，重音在第二音节
          • 规则:sim → /sɪm/， “sim” 发 /sɪm/ 音，其中 “s” 发 /s/ 音，“i” 发短元音 /ɪ/，“m” 发鼻音。
          • 规则:pli → /plɪ/， “pli” 发 /plɪ/ 音，其中 “p” 发 /p/ 音，“l” 发 /l/ 音，“i” 发短元音 /ɪ/。
          • 规则:city → /səti/， “city” 发 /səti/ 音，其中 “c” 发 /s/ 音，“i” 发短元音 /ɪ/，“t” 发 /t/ 音，“y” 发长元音 /iː/。
    • dependencies:名词复数，词源来自“depend”（依赖），词义：依赖关系；依存性。
      • 记忆方法:“depend”（依赖）+“-ency”（名词后缀）。
      • 形近词:dependencies/depend（动词原形）、dependent（依赖的）。
      • 发音解析:
        • 音节分解:de + pend + en + cies /dɪˈpendənsiz/，重音在第二音节
        • 规则:de → /dɪ/， “de” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ɪ/。
        • 规则:pend → /pend/， “pend” 发 /pend/ 音，其中 “p” 发 /p/ 音，“e” 发短元音 /e/，“n” 发鼻音，“d” 发 /d/ 音。
        • 规则:en → /ən/， “en” 发 /ən/ 音，其中 “e” 发短元音 /ə/，“n” 发鼻音。
        • 规则:cies → /siz/， “cies” 发 /siz/ 音，其中 “c” 发 /s/ 音，“i” 发短元音 /ɪ/，“e” 不发音，“s” 发 /z/ 音。
  • The simplest possible is marginal independence, P ( h ) =  i P ( h i ), but linear dependencies or those captured by a shallow autoencoder are also reasonable assumptions.
    • 固定搭配:“marginal independence”，含义：“边缘独立性”。
    • 句子分析:并列复合句，由“but”连接两个分句。前一个分句“ The simplest possible is marginal independence”是主系表结构；后一个分句“linear dependencies or those captured by a shallow autoencoder are also reasonable assumptions”中，“linear dependencies or those captured by a shallow autoencoder”是主语，“are”是谓语，“reasonable assumptions”是表语。
    • 翻译:“最简单的情况是边缘独立性，P ( h ) =  i P ( h i )，但线性依赖关系或由浅层自动编码器捕获的依赖关系也是合理的假设。”
    • 单词分析:
      • marginal:形容词，词源来自拉丁语“margo”（边缘），词义：边缘的；边际的。
        • 记忆方法:联想“margin”（边缘），“-al”是形容词后缀。
        • 形近词:marginal/margin（边缘）、marginalize（边缘化）。
        • 发音解析:
          • 音节分解:mar + gin + al /ˈmɑːdʒɪnl/，重音在第一音节
          • 规则:mar → /mɑː/， “mar” 发 /mɑː/ 音，其中 “m” 发鼻音，“a” 发长元音 /ɑː/，“r” 发 /r/ 音。
          • 规则:gin → /dʒɪn/， “gin” 发 /dʒɪn/ 音，其中 “g” 发 /dʒ/ 音，“i” 发短元音 /ɪ/，“n” 发鼻音。
          • 规则:al → /əl/， “al” 发 /əl/ 音，其中 “a” 发短元音 /ə/，“l” 发 /l/ 音。
    • independence:名词，词源来自“independent”（独立的），词义：独立；独立性。
      • 记忆方法:“in-”（否定）+“depend”（依赖）+“-ence”（名词后缀），不依赖就是独立。
      • 形近词:independence/independent（形容词，独立的）、dependence（依赖）。
      • 发音解析:
        • 音节分解:in + de + pend + ence /ˌɪndɪˈpendəns/，重音在第三音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:de → /dɪ/， “de” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ɪ/。
        • 规则:pend → /pend/， “pend” 发 /pend/ 音，其中 “p” 发 /p/ 音，“e” 发短元音 /e/，“n” 发鼻音，“d” 发 /d/ 音。
        • 规则:ence → /əns/， “ence” 发 /əns/ 音，其中 “e” 发短元音 /ə/，“n” 发鼻音，“c” 发 /s/ 音。
    • shallow:形容词，词源来自古英语“sceald”（浅的），词义：浅的；肤浅的。
      • 记忆方法:联想“shall”（将；会），“-ow”后缀，可想象水很浅，好像能“将”见底。
      • 形近词:shallow/meadow（草地）、shadow（影子）。
      • 发音解析:
        • 音节分解:shal + low /ˈʃæləʊ/，重音在第一音节
        • 规则:shal → /ʃæl/， “shal” 发 /ʃæl/ 音，其中 “sh” 发 /ʃ/ 音，“a” 发短元音 /æ/，“l” 发 /l/ 音。
        • 规则:low → /ləʊ/， “low” 发 /ləʊ/ 音，其中 “l” 发 /l/ 音，“o” 发长元音 /əʊ/。
    • autoencoder:名词，由“auto-”（自动）和“encoder”（编码器）组成，词义：自动编码器。
      • 记忆方法:“auto-”（自动）+“encoder”（编码器），自动进行编码的设备。
      • 形近词:autoencoder/encoder（编码器）、decoder（解码器）。
      • 发音解析:
        • 音节分解:au + to + en + co + der /ˌɔːtəʊɪnˈkəʊdə(r)/，重音在第三音节
        • 规则:au → /ɔː/， “au” 发 /ɔː/ 音，其中 “a” 发长元音 /ɔː/，“u” 不发音。
        • 规则:to → /təʊ/， “to” 发 /təʊ/ 音，其中 “t” 发 /t/ 音，“o” 发长元音 /əʊ/。
        • 规则:en → /ɪn/， “en” 发 /ɪn/ 音，其中 “e” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:co → /kəʊ/， “co” 发 /kəʊ/ 音，其中 “c” 发 /k/ 音，“o” 发长元音 /əʊ/。
        • 规则:der → /də(r)/， “der” 发 /də(r)/ 音，其中 “d” 发 /d/ 音，“e” 发短元音 /ə/，“r” 发音。
  • This can be seen in many laws of physics, and is assumed when plugging a linear predictor or a factorized prior on top of a learned representation.
    • 固定搭配:“on top of”，含义：“在……之上”。
    • 句子分析:并列句，省略了第二个分句的主语“This”。“This can be seen in many laws of physics”是主谓宾结构；“is assumed when plugging a linear predictor or a factorized prior on top of a learned representation”中，“when plugging a linear predictor or a factorized prior on top of a learned representation”是时间状语从句。
    • 翻译:“这在许多物理定律中都能看到，并且在将线性预测器或因式分解先验应用于已学习的表示之上时也会被假定。”
    • 单词分析:
      • factorized:动词过去式，词源来自“factor”（因子），词义：因式分解的。
        • 记忆方法:“factor”（因子）+“-ize”（动词后缀）+“-d”（过去式后缀），将因子进行处理就是因式分解。
        • 形近词:factorized/factor（名词，因子；动词，分解）、factorization（因式分解）。
        • 发音解析:
          • 音节分解:fac + tor + ize + d /ˈfæktəraɪzd/，重音在第一音节
          • 规则:fac → /fæk/， “fac” 发 /fæk/ 音，其中 “f” 发 /f/ 音，“a” 发短元音 /æ/，“c” 发 /k/ 音。
          • 规则:tor → /tə(r)/， “tor” 发 /tə(r)/ 音，其中 “t” 发 /t/ 音，“o” 发短元音 /ə/，“r” 发音。
          • 规则:ize → /aɪz/， “ize” 发 /aɪz/ 音，其中 “i” 发长元音 /aɪ/，“z” 发 /z/ 音。
          • 规则:d → /d/， “d” 发 /d/ 音。
    • predictor:名词，词源来自“predict”（预测），词义：预测器；预报器。
      • 记忆方法:“predict”（预测）+“-or”（表示人或物的名词后缀），用于预测的东西。
      • 形近词:predictor/predict（动词，预测）、prediction（预测）。
      • 发音解析:
        • 音节分解:pre + dict + or /prɪˈdɪktə(r)/，重音在第二音节
        • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:dict → /dɪkt/， “dict” 发 /dɪkt/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音，“t” 发 /t/ 音。
        • 规则:or → /ə(r)/， “or” 发 /ə(r)/ 音，其中 “o” 发短元音 /ə/，“r” 发音。
  • The concept of representation learning ties together all of the many forms of deep learning.
    • 固定搭配:“tie together”，含义：“把……联系在一起”。
    • 句子分析:简单句，“The concept of representation learning”是主语，“ties together”是谓语，“all of the many forms of deep learning”是宾语。
    • 翻译:“表示学习的概念将深度学习的所有多种形式联系在一起。”
    • 单词分析:
      • representation:名词，词源来自“represent”（代表；表现），词义：表示；代表。
        • 记忆方法:“represent”（代表）+“-ation”（名词后缀）。
        • 形近词:representation/represent（动词原形）、representative（代表；有代表性的）。
        • 发音解析:
          • 音节分解:re + pre + sent + a + tion /ˌreprɪzenˈteɪʃn/，重音在第三音节
          • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
          • 规则:pre → /prɪ/， “pre” 发 /prɪ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“e” 发短元音 /ɪ/。
          • 规则:sent → /sent/， “sent” 发 /sent/ 音，其中 “s” 发 /s/ 音，“e” 发短元音 /e/，“n” 发鼻音，“t” 发 /t/ 音。
          • 规则:a → /ə/， “a” 发 /ə/ 音，其中 “a” 发短元音 /ə/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，其中 “t” 不发音，“i” 发短元音 /ɪ/，“o” 不发音，“n” 发鼻音。
  • Feedforward and recurrent networks, autoencoders and deep probabilistic models all learn and exploit representations.
    • 句子分析:简单句，“Feedforward and recurrent networks, autoencoders and deep probabilistic models”是主语，“learn and exploit”是谓语，“representations”是宾语。
    • 翻译:“前馈和循环网络、自动编码器和深度概率模型都学习并利用表示。”
    • 单词分析:
      • feedforward:名词，由“feed”（供给）和“forward”（向前）组成，词义：前馈。
        • 记忆方法:“feed”（供给）+“forward”（向前），向前供给信息就是前馈。
        • 形近词:feedforward/feedback（反馈）、forward（向前；向前的）。
        • 发音解析:
          • 音节分解:feed + for + ward /ˈfiːdwɔːd/，重音在第一音节
          • 规则:feed → /fiːd/， “feed” 发 /fiːd/ 音，其中 “f” 发 /f/ 音，“e” 发长元音 /iː/，“d” 发 /d/ 音。
          • 规则:for → /fɔː/， “for” 发 /fɔː/ 音，其中 “f” 发 /f/ 音，“o” 发长元音 /ɔː/，“r” 发 /r/ 音。
          • 规则:ward → /wɔːd/， “ward” 发 /wɔːd/ 音，其中 “w” 发 /w/ 音，“a” 发长元音 /ɔː/，“r” 发 /r/ 音，“d” 发 /d/ 音。
    • recurrent:形容词，词源来自“recur”（复发；循环），词义：循环的；递归的。
      • 记忆方法:“re-”（再次）+“cur”（跑）+“-ent”（形容词后缀），再次跑就是循环。
      • 形近词:recurrent/recur（动词原形）、recurrence（复发；循环）。
      • 发音解析:
        • 音节分解:re + cur + rent /rɪˈkʌrənt/，重音在第二音节
        • 规则:re → /rɪ/， “re” 发 /rɪ/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/。
        • 规则:cur → /kʌr/， “cur” 发 /kʌr/ 音，其中 “c” 发 /k/ 音，“u” 发短元音 /ʌ/，“r” 发 /r/ 音。
        • 规则:rent → /rənt/， “rent” 发 /rənt/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ə/，“n” 发鼻音，“t” 发 /t/ 音。
    • probabilistic:形容词，词源来自“probability”（概率），词义：概率的；或然的。
      • 记忆方法:“probability”（概率）+“-istic”（形容词后缀）。
      • 形近词:probabilistic/probability（名词，概率）、probable（可能的）。
      • 发音解析:
        • 音节分解:pro + ba + bil + is + tic /ˌprɒbəbɪˈlɪstɪk/，重音在第三音节
        • 规则:pro → /prɒ/， “pro” 发 /prɒ/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“o” 发短元音 /ɒ/。
        • 规则:ba → /bə/， “ba” 发 /bə/ 音，其中 “b” 发 /b/ 音，“a” 发短元音 /ə/。
        • 规则:bil → /bɪl/， “bil” 发 /bɪl/ 音，其中 “b” 发 /b/ 音，“i” 发短元音 /ɪ/，“l” 发 /l/ 音。
        • 规则:is → /ɪs/， “is” 发 /ɪs/ 音，其中 “i” 发短元音 /ɪ/，“s” 发 /s/ 音。
        • 规则:tic → /tɪk/， “tic” 发 /tɪk/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音。
    • exploit:动词，词源来自拉丁语“explicare”（展开；利用），词义：利用；开发。
      • 记忆方法:“ex-”（向外）+“ploit”（折叠），向外展开就是利用。
      • 形近词:exploit/explode（爆炸）、explore（探索）。
      • 发音解析:
        • 音节分解:ex + ploit /ɪkˈsplɔɪt/，重音在第二音节
        • 规则:ex → /ɪkˈs/， “ex” 发 /ɪkˈs/ 音，其中 “e” 发短元音 /ɪ/，“x” 发 /z/ 音。
        • 规则:ploit → /plɔɪt/， “ploit” 发 /plɔɪt/ 音，其中 “p” 发 /p/ 音，“l” 发 /l/ 音，“oi” 发双元音 /ɔɪ/，“t” 发 /t/ 音。

  • Learning the best possible representation remains an exciting avenue of research.
    • 固定搭配:“an avenue of”意为“……的途径；……的渠道”。
    • 句子分析:动名词短语“Learning the best possible representation”作主语，“remains”是谓语，“an exciting avenue of research”是表语。
    • 翻译:“学习最佳的可能表征仍然是一个令人兴奋的研究途径。”
    • 单词分析:
      • representation:名词，词源来自拉丁语“repraesentare”（呈现；代表），词义：表征；表现；代表。
        • 记忆方法:“re-”（再）+“present”（呈现）+“-ation”（名词后缀）→再次呈现→表征。
        • 形近词:representation/represent（代表；表现）、representative（代表；典型的）。
        • 发音解析:
          • 音节分解:rep + re + sen + ta + tion /ˌreprɪzenˈteɪʃn/，重音在第三音节
          • 规则:rep → /rɪp/， “rep” 发 /rɪp/ 音，其中 “r” 发 /r/ 音，“e” 发短元音 /ɪ/，“p” 发 /p/ 音。
          • 规则:re → /riː/， “re” 发长音 /riː/，类似于 “read” 的发音。
          • 规则:sen → /sen/， “sen” 发 /sen/ 音，其中 “s” 发 /s/ 音，“e” 发短元音 /ɛ/，“n” 发 /n/ 音。
          • 规则:ta → /tə/， “ta” 发 /tə/ 音，其中 “t” 发 /t/ 音，“a” 发短元音 /ə/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，类似于 “nation” 中 “tion” 的发音。
    • avenue:名词，词源来自法语“avenir”（来临；道路），词义：途径；大街。
      • 记忆方法:联想“a-”（朝向）+“venue”（来）→朝着来的路→途径；大街。
      • 形近词:avenue/avenir（未来）、venue（聚会地点）。
      • 发音解析:
        • 音节分解:a + ve + nue /ˈævənjuː/，重音在第一音节
        • 规则:a → /æ/， “a” 发短元音 /æ/。
        • 规则:ve → /vɪ/， “ve” 发短音 /vɪ/，类似于 “vest” 的发音。
        • 规则:nue → /njuː/， “nue” 发 /njuː/ 音，其中 “n” 发 /n/ 音，“u” 发长元音 /juː/。

  • Chapter 16 Structured Probabilistic Models for Deep Learning
  • Deep learning draws upon many modeling formalisms that researchers can use to guide their design efforts and describe their algorithms.
    • 固定搭配:“draw upon”意为“利用；凭借”。
    • 句子分析:主从复合句，“Deep learning”是主语，“draws upon”是谓语，“many modeling formalisms”是宾语，“that researchers can use to guide their design efforts and describe their algorithms”是定语从句，修饰“formalisms”。
    • 翻译:“深度学习利用了许多建模形式，研究人员可以用这些形式来指导他们的设计工作并描述他们的算法。”
    • 单词分析:
      • formalisms:名词复数，词源来自拉丁语“forma”（形式），词义：形式主义；形式体系。
        • 记忆方法:“formal”（正式的；形式的）+“-ism”（主义；体系）→形式主义；形式体系。
        • 形近词:formalism/formal（正式的）、formality（礼节；形式）。
        • 发音解析:
          • 音节分解:for + mal + ism /ˈfɔːməlɪzəm/，重音在第一音节
          • 规则:for → /fɔː/， “for” 发 /fɔː/ 音，其中 “f” 发 /f/ 音，“o” 发长元音 /ɔː/。
          • 规则:mal → /məl/， “mal” 发 /məl/ 音，其中 “m” 发 /m/ 音，“a” 发短元音 /ə/。
          • 规则:ism → /ɪzəm/， “ism” 发 /ɪzəm/ 音，其中 “i” 发短元音 /ɪ/，“s” 发 /z/ 音，“m” 发 /m/ 音。
    • algorithms:名词复数，词源来自阿拉伯语“al-Khwarizmi”（花拉子米，数学家），词义：算法。
      • 记忆方法:可联想“al-”（阿拉伯语定冠词）+“gorithm”（可看作自创词根，无实际意义）→算法。
      • 形近词:algorithm/logarithm（对数）、arithmetic（算术）。
      • 发音解析:
        • 音节分解:al + go + rithm /ˈælɡərɪðəm/，重音在第一音节
        • 规则:al → /æl/， “al” 发 /æl/ 音，其中 “a” 发短元音 /æ/，“l” 发 /l/ 音。
        • 规则:go → /ɡəʊ/， “go” 发 /ɡəʊ/ 音，其中 “g” 发 /ɡ/ 音，“o” 发长元音 /əʊ/。
        • 规则:rithm → /rɪðəm/， “rithm” 发 /rɪðəm/ 音，其中 “r” 发 /r/ 音，“i” 发短元音 /ɪ/，“th” 发 /ð/ 音，“m” 发 /m/ 音。
  • One of these formalisms is the idea of structured probabilistic models.
    • 句子分析:主系表结构的简单句，“One of these formalisms”是主语，“is”是系动词，“the idea of structured probabilistic models”是表语。
    • 翻译:“这些形式之一是结构化概率模型的概念。”
    • 单词分析:
      • probabilistic:形容词，词源来自拉丁语“probabilis”（可能的），词义：概率的；或然的。
        • 记忆方法:“probable”（可能的）+“-istic”（形容词后缀）→概率的。
        • 形近词:probabilistic/probable（可能的）、probability（概率）。
        • 发音解析:
          • 音节分解:prob + a + bil + is + tic /ˌprɒbəbɪˈlɪstɪk/，重音在第三音节
          • 规则:prob → /prɒb/， “prob” 发 /prɒb/ 音，其中 “p” 发 /p/ 音，“r” 发 /r/ 音，“o” 发短元音 /ɒ/，“b” 发 /b/ 音。
          • 规则:a → /ə/， “a” 发短元音 /ə/。
          • 规则:bil → /bɪl/， “bil” 发 /bɪl/ 音，其中 “b” 发 /b/ 音，“i” 发短元音 /ɪ/，“l” 发 /l/ 音。
          • 规则:is → /ɪs/， “is” 发 /ɪs/ 音，其中 “i” 发短元音 /ɪ/，“s” 发 /s/ 音。
          • 规则:tic → /tɪk/， “tic” 发 /tɪk/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/，“c” 发 /k/ 音。
  • We have already discussed structured probabilistic models briefly in Sec. .
    • 句子分析:主谓宾结构的简单句，“We”是主语，“have discussed”是谓语，“structured probabilistic models”是宾语，“briefly in Sec.”是状语。
    • 翻译:“我们已经在某一节中简要讨论过结构化概率模型。”
  • That brief presentation was sufficient to 3.14 understand how to use structured probabilistic models as a language to describe some of the algorithms in Part .
    • 固定搭配:“be sufficient to”意为“足以；足够做某事”。
    • 句子分析:主从复合句，“That brief presentation”是主语，“was”是系动词，“sufficient”是表语，“to understand how to use structured probabilistic models as a language to describe some of the algorithms in Part”是结果状语，其中“how to use structured probabilistic models as a language to describe some of the algorithms in Part”是“understand”的宾语。
    • 翻译:“那个简要的介绍足以让人理解如何将结构化概率模型作为一种语言来描述某部分中的一些算法。”
    • 单词分析:
      • sufficient:形容词，词源来自拉丁语“sufficere”（足够；满足），词义：足够的；充分的。
        • 记忆方法:“suf-”（下）+“fic”（做）+“-ient”（形容词后缀）→在下面做好了→足够的。
        • 形近词:sufficient/deficient（不足的）、efficient（有效率的）。
        • 发音解析:
          • 音节分解:suf + fi + cient /səˈfɪʃnt/，重音在第二音节
          • 规则:suf → /səf/， “suf” 发 /səf/ 音，其中 “s” 发 /s/ 音，“u” 发短元音 /ə/，“f” 发 /f/ 音。
          • 规则:fi → /fɪ/， “fi” 发 /fɪ/ 音，其中 “f” 发 /f/ 音，“i” 发短元音 /ɪ/。
          • 规则:cient → /ʃnt/， “cient” 发 /ʃnt/ 音，类似于 “science” 中 “cient” 的发音。
  • Now, in Part , structured probabilistic models III III are a key ingredient of many of the most important research topics in deep learning.
    • 句子分析:主系表结构的简单句，“structured probabilistic models III III”是主语，“are”是系动词，“a key ingredient of many of the most important research topics in deep learning”是表语。
    • 翻译:“现在，在某部分中，结构化概率模型是深度学习中许多最重要研究主题的关键要素。”
    • 单词分析:
      • ingredient:名词，词源来自拉丁语“ingrediens”（进入；成分），词义：成分；要素。
        • 记忆方法:“in-”（进入）+“gredient”（可看作自创词根，无实际意义）→进入里面的东西→成分；要素。
        • 形近词:ingredient/dredient（无此词，可用于对比记忆）、ingress（进入）。
        • 发音解析:
          • 音节分解:in + gre + di + ent /ɪnˈɡriːdiənt/，重音在第二音节
          • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
          • 规则:gre → /ɡriː/， “gre” 发 /ɡriː/ 音，其中 “g” 发 /ɡ/ 音，“r” 发 /r/ 音，“e” 发长元音 /iː/。
          • 规则:di → /dɪ/， “di” 发 /dɪ/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/。
          • 规则:ent → /ənt/， “ent” 发 /ənt/ 音，其中 “e” 发短元音 /ə/，“n” 发 /n/ 音，“t” 发 /t/ 音。
  • In order to prepare to discuss these research ideas, this chapter describes structured probabilistic models in much greater detail.
    • 固定搭配:“in order to”意为“为了”。
    • 句子分析:主从复合句，“In order to prepare to discuss these research ideas”是目的状语，“this chapter”是主语，“describes”是谓语，“structured probabilistic models”是宾语，“in much greater detail”是状语。
    • 翻译:“为了准备讨论这些研究想法，本章将更详细地描述结构化概率模型。”
  • This chapter is intended to be self - contained; the reader does not need to review the earlier introduction before continuing with this chapter.
    • 固定搭配:“be intended to”意为“旨在；打算”；“self - contained”意为“独立的；自给自足的”。
    • 句子分析:并列复合句，由分号连接两个句子。前一个句子“ This chapter is intended to be self - contained”是主系表结构；后一个句子“the reader does not need to review the earlier introduction before continuing with this chapter”中，“before continuing with this chapter”是时间状语。
    • 翻译:“本章旨在自成一体；读者在继续阅读本章之前无需回顾之前的介绍。”
    • 单词分析:
      • self - contained:形容词，由“self”（自我）和“contained”（包含的）组成，词义：独立的；自给自足的。
        • 记忆方法:联想“自己包含自己”→独立的；自给自足的。
        • 形近词:self - contained/self - centered（自我中心的）、self - reliant（自力更生的）。
        • 发音解析:
          • 音节分解:self + con + tained /ˌselfkənˈteɪnd/，重音在第三音节
          • 规则:self → /self/， “self” 发 /self/ 音，其中 “s” 发 /s/ 音，“e” 发短元音 /ɛ/，“l” 发 /l/ 音，“f” 发 /f/ 音。
          • 规则:con → /kən/， “con” 发 /kən/ 音，其中 “c” 发 /k/ 音，“o” 发短元音 /ə/。
          • 规则:tained → /teɪnd/， “tained” 发 /teɪnd/ 音，其中 “t” 发 /t/ 音，“ai” 发长元音 /eɪ/，“n” 发 /n/ 音，“d” 发 /d/ 音。
  • A structured probabilistic model is a way of describing a probability distribution, using a graph to describe which random variables in the probability distribution interact with each other directly.
    • 句子分析:主从复合句，“A structured probabilistic model”是主语，“is”是系动词，“a way of describing a probability distribution”是表语，“using a graph to describe which random variables in the probability distribution interact with each other directly”是方式状语，其中“which random variables in the probability distribution interact with each other directly”是“describe”的宾语从句。
    • 翻译:“结构化概率模型是一种描述概率分布的方式，它使用图来描述概率分布中的哪些随机变量直接相互作用。”
    • 单词分析:
      • distribution:名词，词源来自拉丁语“distribuere”（分配；分发），词义：分布；分配。
        • 记忆方法:“dis-”（分开）+“tribute”（给予）+“-ion”（名词后缀）→分开给予→分配；分布。
        • 形近词:distribution/distribute（分配；分布）、contribution（贡献）。
        • 发音解析:
          • 音节分解:dis + tri + bu + tion /ˌdɪstrɪˈbjuːʃn/，重音在第三音节
          • 规则:dis → /dɪs/， “dis” 发 /dɪs/ 音，其中 “d” 发 /d/ 音，“i” 发短元音 /ɪ/，“s” 发 /s/ 音。
          • 规则:tri → /traɪ/， “tri” 发 /traɪ/ 音，其中 “t” 发 /t/ 音，“r” 发 /r/ 音，“i” 发长元音 /aɪ/。
          • 规则:bu → /bjuː/， “bu” 发 /bjuː/ 音，其中 “b” 发 /b/ 音，“u” 发长元音 /juː/。
          • 规则:tion → /ʃn/， “tion” 发 /ʃn/ 音，类似于 “nation” 中 “tion” 的发音。
    • interact:动词，词源来自拉丁语“inter”（在……之间）+“agere”（做），词义：相互作用；交流。
      • 记忆方法:“inter-”（在……之间）+“act”（行动）→在之间行动→相互作用。
      • 形近词:interact/transaction（交易）、react（反应）。
      • 发音解析:
        • 音节分解:in + ter + act /ˌɪntərˈækt/，重音在第二音节
        • 规则:in → /ɪn/， “in” 发 /ɪn/ 音，其中 “i” 发短元音 /ɪ/，“n” 发鼻音。
        • 规则:ter → /tə(r)/， “ter” 发 /tə(r)/ 音，其中 “t” 发 /t/ 音，“e” 发短元音 /ə/，“r” 发 /r/ 音。
        • 规则:act → /ækt/， “act” 发 /ækt/ 音，其中 “a” 发短元音 /æ/，“c” 发 /k/ 音，“t” 发 /t/ 音。
  • Here we use “graph” in the graph theory sense—a set of vertices connected to one another by a set of edges.
    • 句子分析:简单句，“we”是主语，“use”是谓语，““graph””是宾语，“in the graph theory sense”是状语，破折号后面的内容是对“graph”的解释说明。
    • 翻译:“在这里，我们从图论的意义上使用“图”——一组由一组边相互连接的顶点。”
    • 单词分析:
      • vertices:名词复数，词源来自拉丁语“vertex”（顶点），词义：顶点；角。
        • 记忆方法:可联想“vert”（转）+“-ice”（名词后缀）→旋转到的最高点→顶点。
        • 形近词:vertices/vertical（垂直的）、vertex（顶点，单数）。
        • 发音解析:
          • 音节分解:ver + ti + ces /ˈvɜːtɪsiːz/，重音在第一音节
          • 规则:ver → /vɜː/， “ver” 发 /vɜː/ 音，其中 “v” 发 /v/ 音，“e” 发长元音 /ɜː/。
          • 规则:ti → /tɪ/， “ti” 发 /tɪ/ 音，其中 “t” 发 /t/ 音，“i” 发短元音 /ɪ/。
          • 规则:ces → /siːz/， “ces” 发 /siːz/ 音，其中 “c” 发 /s/ 音，“e” 发长元音 /iː/，“s” 发 /z/ 音。
    • edges:名词复数，词源来自古英语“ecg”（边缘；刀刃），词义：边；边缘。
      • 记忆方法:可联想“edge”（边缘）+“-s”（复数后缀）。
      • 形近词:edges/edge（边缘，单数）、hedge（树篱）。
      • 发音解析:
        • 音节分解:ed + ges /edʒɪz/，重音在第一音节
        • 规则:ed → /ed/， “ed” 发 /ed/ 音，其中 “e” 发短元音 /ɛ/，“d” 发 /d/ 音。
        • 规则:ges → /dʒɪz/， “ges” 发 /dʒɪz/ 音，其中 “g” 发 /dʒ/ 音，“e” 发短元音 /ɪ/，“s” 发 /z/ 音。
  • Because the structure of the model is defined by a graph, these models are often also referred to as graphical models.
    • 固定搭配:“be defined by”意为“由……定义”；“be referred to as”意为“被称为；被提及为”。
    • 句子分析:主从复合句，“Because the structure of the model is defined by a graph”是原因状语从句，“these models”是主语，“are referred to as”是谓语，“graphical models”是宾语。
    • 翻译:“因为模型的结构是由图定义的，所以这些模型通常也被称为图形模型。”
    • 单词分析:
      • graphical:形容词，词源来自希腊语“graphikos”（绘画的；书写的），词义：图形的；绘画的。
        • 记忆方法:“graph”（图；图表）+“-ical”（形容词后缀）→图形的。
        • 形近词:graphical/graph（图；图表）、graphite（石墨）。
        • 发音解析:
          • 音节分解:graph + i + cal /ˈɡræfɪkl/，重音在第一音节
          • 规则:graph → /ɡræf/， “graph” 发 /ɡræf/ 音，其中 “g” 发 /ɡ/ 音，“r” 发 /r/ 音，“a” 发短元音 /æ/，“ph” 发 /f/ 音。
          • 规则:i → /ɪ/， “i” 发短元音 /ɪ/。
          • 规则:cal → /kl/， “cal” 发 /kl/ 音，其中 “c” 发 /k/ 音，“a” 不发音，“l” 发 /l/ 音。
# 学习
Logo
AI Agent技术社区

Agent 垂直技术社区，欢迎活跃、内容共建。

更多推荐

cover

DeepSeek Harness 深度解析：一切皆插件的开源 AI Agent 框架如何运行？

avatar AI Agent技术社区
cover

2026年，集团企业想要AI落地，选RPA还是Agent？

avatar AI Agent技术社区
cover

从「能说」到「能做」：一份理清 AI Agent 的学习笔记

avatar AI Agent技术社区