影片狀態：已附影片。 影片來源與說明
MIT 6.S191 2026 第 2 講是 序列模型：從 RNN 到注意力。處理文字、音訊與時間序列中「順序會改變意義」的問題，並連到 Lab 1 的音樂生成。這篇只依 2026 官方投影片與影片整理；不把 2025 的同名內容混進來。
這一講要帶走什麼
- 理解 recurrent state 如何把過去帶到下一步
- 辨認長序列中的 gradient 與記憶瓶頸
- 把 attention 看成依查詢選取資訊，而不是神祕模組
這些概念的共同點是：不能只會認名詞。你要能指出輸入、輸出、學習訊號與限制，才算真的接上後續內容。
序列模型先把當前 token 與先前狀態合成新狀態，再用它預測下一步；RNN 把記憶壓在固定狀態裡，attention 則讓每個位置直接依查詢取用其他位置。兩者都不會自動理解長期因果，序列變長仍會帶來記憶體、計算與資料品質問題。
建議觀看方式
先快速看一遍官方投影片的章節與圖，再看官方影片。第二遍遇到公式或架構圖就暫停，用自己的符號重畫；影片播完後，不回看資料，寫下三個核心概念與一個仍不確定的地方。
今晚就能做的練習
選一段 ABC 樂譜，手工切出輸入與下一字元目標；完成後再進 Lab 1 Part 2。
完成標準不是「看完」。你應留下可檢查的圖、計算、程式輸出或短筆記，並能向另一個人解釋其中一個失敗點。
這篇沒有涵蓋什麼
6.S191 是高強度入門課，本篇也只做單講導航，不替代完整影片、數學推導或正式作業回饋。若某個主題需要嚴格理論，應接一學期制課程或原始論文。
課程影片來源
2026-10-10 已即時回官方課程頁核對講次與影片連結，影片公開且允許嵌入。
原始影片：MIT 6.S191: Recurrent Neural Networks, Transformers, and Attention
課程與錄影入口：
查核日期：2026-10-10。
內容核對：已依字幕核對（2026-10-10）：影片由 Ava Soleimany 主講，字幕涵蓋 RNN 的 recurrent state、next word prediction、tokenization／embedding、backpropagation through time、梯度消失與爆炸、LSTM 提及、Schubert 未完成交響曲的音樂生成（對應 Lab 1），以及 attention 的 query／key／value；與本文相符。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時核對官方課程頁，講次與影片連結一致且影片公開，狀態改為「已附影片」。
- 2026-10-10：依字幕核對影片內容。主題與講者相符，沒有需要更正的地方。
參考資料
Loading...