知识卡片
稠密依存分类器并非循环网络
书中Stanford nndep模型将状态中的词、词性和弧标签嵌入拼接,经立方激活隐藏层及softmax预测动作,是前馈分类器。原文反复称其LSTM不符模型与公式;解析过程迭代推进不意味着分类器存在循环记忆门。
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
网络模型是一个具有一个输入层、一个隐含层和一个输出层的LSTM神经网络,输入层由S w 、S t 和S l 三部分共同构成,符号n w 、n t 、n l 表示每种输入类型的长度。这样,加入 ]到输入层,其中,S w ={w
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:摘录中关于稠密依存分类器并非循环网络的定义、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:网络模型是一个具有一个输入层、一个隐含层和一个输出层的LSTM神经网络,输入层由S w 、S t 和S l 三部分共同构成,符号n w 、n t 、n l 表示每种输入类型的长度。这样,加入 ]到输入层,其中,S w ={w