Skip-gram考虑的主要思想是要P( Context(w) | w )的概率最大化，所以接下来看Skip-gram模型主要就是看如何定义和计算这个概率。（当然对于语言模型来说，实际的目标函数通常是对语料库中的每个词的概率P( Context(w) | w )取对数再累加） 输入层：词w的向量 投影层：依旧是词w的向量 输出层：哈夫曼树（重点是词w的上下文窗内2c个词所在的叶子节点，以及各自到根节点的路径） 结论：Skip-gram模型的一次更新是：输入中心词w的词向量，然后对每个上下文词u(i)所在的路径上的节点系数进行更新，然后对词w的词向量进行单独更新。

在word2vec中，CBOW（Continuous Bag of Words）和Skip-Gram是两种常用的模型，用于将文本中的词汇转化为向量表示。以下是对这两种模型的详细描述和分析：

1. **CBOW模型**：
- **输入**：周围词的词向量。
- **输出**：当前词的词向量。
- **描述**：CBOW模型通过利用上下文中的多个词来预测当前词。换句话说，给定一个词的上下文（即前后若干个词），CBOW模型试图预测这个中心词。

2. **Skip-Gram模型**：
- **输入**：当前词的词向量。
- **输出**：周围词的词向量。
- **描述**：Skip-Gram模型通过利用当前词来预测其上下文中的多个词。也就是说，给定一个中心词，Skip-Gram模型试图预测这个词的前后若干个词。

根据上述描述，正确答案是：

- **A: Skip-Gram模型输入的是当前词的词向量**（正确）
- **D: CBOW模型输出的是周围词的词向量**（正确）

因此，正确的选项为A和D。