S04 · 词表行共享，窗口计算共享
不同词串要共享经验，先需要可共同调整的表示，再需要把局部词向量组合起来的预测规则。
状态 b0
书的索引5对应one-hot地址与E[5]；同一token查同一行，索引不表示语义大小。
状态 b1
I与gave查表后拼接，经共享前馈网络形成词表分布；查embedding与计算上下文是两步。
公式与算例详情
词表索引是地址。课堂以“书”对应索引5与one-hot $(0,0,0,0,0,1)$；embedding查表取出参数矩阵$E$的一行$E[5]$。同一个token在不同位置或不同样本中复用这行参数。它还没有读取当前语境。
神经窗口模型把有限窗口中的embedding拼接或组合，经共享前馈网络形成内部表示与词表logits，再作softmax。参数共享使不同词串的梯度能共同改变表示和预测函数；具体泛化收益由数据与任务评价决定。
模型的输入单位可能是字、词或子词；给书句的六个教学片段不是真实WordPiece切分。完整bank两语境将在self-attention段回访，那时学生已掌握按位置读取的机制。