知识卡片
卷积实现应验证计算与更新两条链
结构图:
flowchart LR
A[输入和核轴及长度] --> B[前向响应是否对应预期窗口]
C[模块正式注册] --> D[参数是否进入优化器]
B --> E[损失反向产生梯度]
D --> F[优化step实际改变权重]
E --> F
F --> G[保存重载及设备切换可复现]
只有前向输出和下降损失,不能单独证明目标卷积层被训练并保存。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- · 查看原书依据
>>> def describe_model(model): #1 ... state = model.state_dict() ... names = state.keys() ... weights = state.values() ... params = model.parameters() ... df = pd.DataFrame([ ... dict( ... name=name, ... learned_params=int(p.requires_grad) * p.numel(), #2 ... all_params=p.numel(), #3 ... size=p.size(), ... ) ... for name, w, p in zip(names, weights, params) ... ] ... ) ... df = df.set_index('name')
参考来源
- 位置:《Natural Language Processing in Action, Second Edition》第07章《卷积网络识别文本模式》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Natural Language Processing in Action, Second Edition/_epub-src/OEBPS/Text/chapter-7.html)
- 结论依据:摘录中关于卷积实现应验证计算与更新两条链的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:>>> def describe_model(model): #1 ... state = model.state_dict() ... names = state.keys() ... weights = state.values() ... params = model.parameters() ... df = pd.DataFrame([ ... dict( ... name=name, ... learned_params=int(p.requires_grad) * p.numel(), #2 ... all_params=p.numel(), #3 ... size=p.size(), ... ) ... for name, w, p in zip(names, weights, params) ... ] ... ) ... df = df.set_index('name')