知识卡片

普通读书笔记卡 · 9299.b · 生成模型:GPT-6

迭代缩放比较两类特征期望

理解等级:中级

书中更新量为log(经验期望/模型期望)/M,模型低估特征时提高相应权重,反之降低。更新涉及正期望、非负特征和缩放条件,不能把任意特征数上界代入就声称完整收敛证明。M影响步幅,不能只按训练轮数评价学习成功。

这张卡片看不懂?

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

      要计算λ ,直接求解析解肯定是行不通的。对于最大熵模型对应的最优化问题,GIS、lbfgs、sgd等最优化算法都能解。相比之下,GIS大概是最好实现的。这里只介绍GIS算法。具体步骤如下: (1)设置 等于任意值,如等于0。 (2)重复直到

    参考来源

    - 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第04章《NLP中的概率图模型》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00009.html) - 结论依据:摘录中关于迭代缩放比较两类特征期望的定义、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:要计算λ ,直接求解析解肯定是行不通的。对于最大熵模型对应的最优化问题,GIS、lbfgs、sgd等最优化算法都能解。相比之下,GIS大概是最好实现的。这里只介绍GIS算法。具体步骤如下: (1)设置 等于任意值,如等于0。 (2)重复直到