“未来戏剧”研究视域下的舞蹈艺术

Ooops, Data read error for 6030471, Try new one ( 读取异常, 请尝试搜索关键词 ) ....

-loading-

听音频 🔊 . 看视频 🎦

... 2024-04-17 10:40 .. 舞蹈与戏剧并非仅仅是单一层面的跨界合作，更是捆绑成为一个关联更为紧密的剧场演艺空间，通过这样一种紧密的联结，舞蹈与戏剧互相打破和拓宽各自的艺术的边界。
    在舞蹈和戏剧本体进行跨界融合的同时，戏剧舞台空间技术与设计也在和舞蹈艺术发生着紧密的联系和碰撞，甚至成为舞剧叙事的一个重要手段参与其中。
    《永不消逝的电波》就是这样一部将舞蹈与舞台空间、电影镜头画面技术原理等紧密融合的舞剧作品。
    舞蹈和多媒体以及舞台空间技术、戏剧表演等多重因素的融合共同实现了该剧在叙事手法上的创新。
    由此《嫦娥》《咏春》《只此青绿》《深AI你》《大港》等多部舞剧作品都主动跨界合作，在舞蹈身体呈现、空间视觉意象呈现、叙事手段等方面实现新的开掘和探索。
    而在这个过程中戏剧的观演关系、舞蹈空间呈现形态都随之发生变化，舞蹈与戏剧艺术焕发出新的样式与活力，二者也获得新的传承和发展路径。
    人工智能与舞蹈艺术近年来， .. UfqiNews ↓ 0

... 10-11 15:05 , 215 , 226 ..
3.2 受限玻尔兹曼机所谓“受限玻尔兹曼机”（RBM）就是对“玻尔兹曼机”（BM）进行简化，使玻尔兹曼机更容易更加简单使用，原本玻尔兹曼机的可见元和隐元之间是全连接的，而且隐元和隐元之间也是全连接的，这样就增加了计算量和计算难度.
    “受限玻尔兹曼机”（RBM）同样具有一个可见层，一个隐层，但层内无连接，层与层之间全连接，节点变量仍然取值为0或1，是一个二分图.
    也就是将“玻尔兹曼机”（BM）的层内连接去掉，对连接进行限制，就变成了“受限玻尔兹曼机”（RBM），这样就使得计算量大大减小，使用起来也就方便了很多.
     图5 受限玻尔兹曼机.webp

... 理解计算：从根号2到AlphaGo -21: 第8季深度学习发展简史-2 ⟶

... 10-11 15:17 , 217 , 220 ..
5 循环神经网络循环神经网络也被称为时间递归神经网络（Recurrent neural network）在前面讨论的卷积神经网络，无法利用历史数据的时间依赖关系，来分析数据特征，对于二维图像来讲，我们已经知道局部感受视野这种空间信息是识别问题的核心，在另外一些与时间相关的问题中，输入的数据是基于时间的序列，卷积网络就无能为力了.
    这时候，核心问题是需要了解数据的时间序列关系，实际上，RNN最早是由Hopfiled网络启发变种而来，因此有些类似Hopfiled的联想记忆功能.例如，如果我们试图预测一下“天空飞过一只__”这句话最后一个词是什么？利用前面输入的一连串的历史信息：“天空飞过一只”，我们就能大致猜出最后一个词可能是某种具有飞行功能的事物，历史(时间信息)对于我们推测未来，是极有帮助的，不可轻易抛弃.
    而RNN的核心诉求之一，就是能将以往的信息连接到当前任务之中.
    RNN模型有比较多的变种，一种主流的RNN模型结构如 ... 理解计算：从根号2到AlphaGo -23: 第8季深度学习发展简史-4 ⟶