测试词向量效果 @param word2vec 训练好的Word2Vec模型

获取模型的详细信息 @return 模型信息字符串

将文本分词为token列表 @param text 输入文本 @return token列表

简化的文本tokenization

维度转置：(N, H, W, C) -> (N, C, H, W)

清理函数资源，断开计算图连接 用于RNN中切断计算图，防止梯度回传过长导致的梯度消失或爆炸问题。

更新运行时统计量

检查解码器前向传播的前置条件 在执行layerForward之前调用，检查是否满足执行条件。 @throws IllegalStateException 当前置条件不满足时抛出

写入模型摘要信息 @param writer PrintWriter对象 @param model 模型 @param indent 缩进字符串

向输出添加偏置 @param output 输出数据 @param bias 偏置参数 @return 添加偏置后的输出

添加增强的分类器部分 @param inputShape 从卷积部分输出的形状

为门控logits添加噪声，用于负载均衡 @param logits 门控logits @return 添加噪声后的logits

添加残差块（简化版本） @param inputShape 输入形状 @param filterNum 卷积核数量 @param blockName 块名称 @return 输出形状

添加特殊token到词汇表

分析负载均衡情况

分析MoE使用情况

将聚合后的梯度应用到主模型的参数上 @param model 主模型 @param aggregatedGradients 聚合后的梯度

应用Dropout正则化 简化版本：在训练时随机将一些神经元置零 @param input 输入变量 @return 应用Dropout后的变量

应用dropout（简化版本）

应用因果掩码（用于解码器）

应用Softmax函数 @param logits 网络输出 @return 概率分布

应用softmax函数 @param logits 输入logits @return softmax后的概率分布

应用Top-K稀疏化，只保留权重最大的K个专家 @param weights 专家权重 @return 稀疏化后的权重

2D输入的反向传播

4D输入的反向传播

自适应平均池化反向传播

自适应最大池化反向传播

平均池化反向传播

变量的反向传播（迭代实现） 使用栈来实现迭代的反向传播，避免递归调用可能导致的栈溢出问题。 特别适用于深层网络或RNN等场景。

最大池化反向传播

创建用于CIFAR-10数据集的深度卷积网络 输入：32x32x3，输出：10个类别 @return 构建好的卷积网络

构建增强的深度卷积网络架构 网络结构： - 多个卷积块（可配置数量和参数） - 每个块包含：Conv -> BatchNorm(可选) -> ReLU -> Conv -> BatchNorm(可选) -> ReLU -> MaxPool -> Dropout - 残差连接(可选) - 分类器：F

计算输出特征图的尺寸 @param inputShape 输入形状

检查缓冲区是否可以进行采样 @param batchSize 批次大小 @return 是否可以采样

将窗口居中显示 @param jFrame 要居中的窗口

清理测试文件

清理缓存

清理缓存

在CartPole环境下比较DQN和REINFORCE

在GridWorld环境下比较算法适应性

比较两个输出是否一致（简单版本） @param output1 第一个输出 @param output2 第二个输出 @return 如果两个输出一致则返回true，否则返回false

计算缩放点积注意力

计算基线值 @return 基线值序列

计算偏置梯度 @param yGrad 输出梯度 @return 偏置梯度

计算当前Q值 @param states 状态批次 @param actions 动作批次 @return 当前Q值

计算输入梯度 @param yGrad 输出梯度 @return 输入梯度

计算特定动作的对数概率 @param probabilities 概率分布 @param action 选择的动作 @return 对数概率

计算均方误差损失 @param predicted 预测值 @param target 目标值 @return MSE损失

计算平均值

计算2D输入的均值

计算4D输入的均值

计算回报（蒙特卡罗） @param rewards 奖励序列 @return 回报序列

计算目标Q值 @param nextStates 下一状态批次 @param rewards 奖励批次 @param dones 结束标志批次 @return 目标Q值

计算2D输入的方差

计算4D输入的方差

计算权重梯度 @param yGrad 输出梯度 @return 权重梯度

计算专家输出的加权求和 @param expertOutputs 所有专家的输出列表 @param gatingWeights 门控权重 @param batchSize 批次大小 @param seqLen 序列长度 @return 加权求和后的最终输出

合并多头结果

将一维线性索引转换为多维索引 @param linearIndex 一维线性索引 @param indices 多维索引数组（输出参数）

计算余弦相似度 @param vec1 向量1 @param vec2 向量2 @return 余弦相似度

创建基线网络（价值函数） @param stateDim 状态维度 @param hiddenSizes 隐藏层尺寸 @return 基线网络模型

创建因果掩码（用于解码器自回归预测） @param seqLen 序列长度 @return 因果掩码数组，形状为(seq_len, seq_len)

创建中文示例数据集

创建DQN智能体 @param env 环境 @return DQN智能体

创建MoE-GPT模型

创建MLP模型 @param name 模型名称 @return 创建的MLP模型

创建策略网络 @param stateDim 状态维度 @param actionDim 动作维度 @param hiddenSizes 隐藏层尺寸 @return 策略网络模型

创建REINFORCE智能体 @param env 环境 @param useBaseline 是否使用基线 @return REINFORCE智能体

创建序列掩码 @param lengths 序列长度数组，形状为(batch_size,) @param maxLength 最大序列长度 @return 掩码数组，形状为(batch_size, max_length)

创建小规模MoE-GPT模型的工厂方法 适合实验和快速原型 @param name 模型名称 @param vocabSize 词汇表大小 @return MoE-GPT模型实例

创建分词器并构建词汇表 @return 创建的分词器实例

创建训练数据集 @param tokenizer 分词器实例 @return 创建的训练数据集

创建单位方差数组

计算交叉熵误差 计算预测值与真实标签之间的交叉熵误差。 @param predict 预测值 @param labelY 真实标签 @return 交叉熵误差值

衰减探索率 @param decayRate 衰减率 @param minEpsilon 最小探索率

仅解码（需要预先设置编码器输出） @param decoderInput 解码器输入 @param encoderOutput 编码器输出 @return 解码器输出

创建模型的深拷贝，用于多线程训练 每个线程需要独立的模型实例来避免参数冲突 @param originalModel 原始模型 @return 深拷贝的模型实例 @throws RuntimeException 如果拷贝失败

演示使用EncoderDecoder组合的方式

演示分别使用编码器和解码器的方式

演示学习到的策略 @param agent 智能体 @param env 环境

深度卷积实现（简化版本）

显示平均结果

执行数据集准备操作 子类需要实现具体的数据准备逻辑

仅编码（不需要解码器输入） @param encoderInput 编码器输入 @return 编码器输出

估算传统模型的参数量（用于对比）

找到Q值向量中的最大值 @param qValues Q值向量 @return 最大Q值

找到权重最大的K个专家 @param weights 权重数组 @param tokenIdx token索引 @param k 要选择的专家数量 @return top-K专家的索引列表

函数的前向传播计算 子类必须实现此方法来定义具体的前向传播计算逻辑。 该方法接收NdArray数组作为输入，返回计算结果的NdArray。 @param inputs 输入的NdArray数组 @return 前向传播计算结果的NdArray

前向传播计算取反 执行NdArray的取反运算：-inputs[0] @param inputs 输入的NdArray数组，长度为1 @return 取反运算结果的NdArray

前向传播计算减法 执行两个NdArray的减法运算：inputs[0] - inputs[1] @param inputs 输入的NdArray数组，长度为2 @return 减法运算结果的NdArray

前向传播计算乘法 执行两个NdArray的乘法运算：inputs[0] inputs[1] @param inputs 输入的NdArray数组，长度为2 @return 乘法运算结果的NdArray

前向传播计算索引获取 根据指定的行列索引从输入数组中获取子数组。 @param inputs 输入的NdArray数组，长度为1 @return 索引获取后的NdArray

前向传播计算累加和到指定形状 将输入数组累加和到指定形状。 @param inputs 输入的NdArray数组，长度为1 @return 累加和到指定形状后的NdArray

前向传播计算广播 将输入数组广播到指定形状。 @param inputs 输入的NdArray数组，长度为1 @return 广播后的NdArray

前向传播计算Softmax交叉熵损失 计算公式：Loss = -Σ(yi log(σ(xi))) 其中σ(x)为Softmax函数，y为真实标签 @param inputs 输入的NdArray数组，包含预测值和真实标签 @return Softmax交叉熵损失值