← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9850.g · 生成模型:Hunyuan

Softmax两大优化策略

理解等级:高级

原始 CBOW/Skip-Gram 对每个样本都要更新 W′ 的全部 V×N 个元素,并计算 Softmax 分母的全词表求和,成本巨大。Hierarchical Softmax 以哈夫曼树把输出层改造成一棵二叉树,将多分类化为沿根节点到叶子节点路径的一系列二分类,白叶子代表词、黑节点对应向量。Negative Sampling 则反其道而行:每次只更新该样本的一小部分权重,用采样出的负样本近似完整分布。二者都不再显式使用 W′,既大幅提速又几乎不损失词向量质量,且优化思路可推广到一般 Softmax。

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

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第1章 万物皆可嵌入(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter4_0002.xhtml) - 结论依据:原文指出两种策略出发点一致,即不再完全计算或更新 W′,并分别说明 HS 基于哈夫曼树化为二分类、负采样每次只更新少量权重。 - 原始内容:二者的出发点一致,即在每个训练样本中,不再完全计算或者更新W′矩阵,换句话说,两种策略中均不再显式使用W′这个矩阵。