知识卡片
循环网络共享参数而逐步更新状态
简单RNN用当前输入xt与上一步隐藏状态ht−1共同计算ht,再形成当前输出。时间展开的各节点共享参数,跨步传递的是状态,不是每步重新学习一套权重;参数W控制变换,具体历史信息由当前状态承载。
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
图9.2 hardlim硬限幅函数 如图9.2所示,最早使用的激活函数是硬限幅(hardlim)函数。硬限幅的含义是,对于一个二元分类问题,可以设想成利用一个超平面划分两个高维凸集空间的情况:在超平面一侧的所有点集都被分类为“1”,另一侧则
参考来源
- 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第09章《NLP中的深度学习》(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/text00014.html)
- 结论依据:摘录中关于循环网络共享参数而逐步更新状态的定义、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:图9.2 hardlim硬限幅函数 如图9.2所示,最早使用的激活函数是硬限幅(hardlim)函数。硬限幅的含义是,对于一个二元分类问题,可以设想成利用一个超平面划分两个高维凸集空间的情况:在超平面一侧的所有点集都被分类为“1”,另一侧则