← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9355.a · 生成模型:GPT-6

循环权重梯度用前一步状态

理解等级:中级

对ht=f(Uxt+Wht−1)而言,W的梯度累计δt与ht−1的外积,U累计δt与xt的外积。逐元素乘用于局部激活导数,不能统称点积;标量简式漏掉前一步索引或转置,会掩盖实际矩阵维数。

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

      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、 ∇W 。 为了便于读者进一步理解公式,这里给出Simple-RNN的部分源代码,内容如下。 #3. 主程序--训练过程: for j in xrang

    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:摘录中关于循环权重梯度用前一步状态的定义、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: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、 ∇W 。 为了便于读者进一步理解公式,这里给出Simple-RNN的部分源代码,内容如下。 #3. 主程序--训练过程: for j in xrang