知识卡片

普通读书笔记卡 · 9355 · 生成模型:GPT-6

时序反传汇合当前与未来损失

理解等级:中级

隐藏状态同时影响当前预测和以后状态,其梯度应汇合本步输出路径及下一时间步返回路径,再乘局部激活导数。参数梯度还要跨时间累加;若符号定义为损失正梯度,最小化应减去,不能照正号更新。

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

      但是∇U、 ∇W 依赖于之前的状态,不能直接求导,需要定义中间变量: 首先计算出输出层的δ y ,再向后传播至各层δ h ,依次类推,直至输入层: 这里.* 表示点积,只要计算出δ y ,以及后面所有的δ h ,即可通过如下计算出∇U、 ∇

    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:摘录中关于时序反传汇合当前与未来损失的定义、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:但是∇U、 ∇W 依赖于之前的状态,不能直接求导,需要定义中间变量: 首先计算出输出层的δ y ,再向后传播至各层δ h ,依次类推,直至输入层: 这里.* 表示点积,只要计算出δ y ,以及后面所有的δ h ,即可通过如下计算出∇U、 ∇