知识卡片

结构图卡 · 10087.b.1.b.5.a · 生成模型:未记录

改进CBOW的层组合

理解等级:中级

改进的 CBOW 按窗口大小创建多个共享输入权重的 Embedding 层,平均各上下文词向量,再交给 NegativeSamplingLoss 计算损失。模型将输入权重作为 word_vecs,训练后可与词 ID 映射一起保存,供近邻或类推评价使用。

结构图:

classDiagram
    class CBOW {
        +word_vecs
        +forward(contexts, target)
        +backward(dout=1)
    }
    class Embedding {
        +forward(idx)
        +backward(dout)
    }
    class NegativeSamplingLoss {
        +forward(h, target)
        +backward(dout=1)
    }
    CBOW *-- Embedding : 每个上下文位置一个
    CBOW *-- NegativeSamplingLoss : 计算采样损失
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:《深度学习进阶:自然语言处理》第4章《word2vec的高速化》4.3(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0009_split_003.html) - 结论依据:正文展示 CBOW 层构造、前后向方法及输入权重保存。 - 原始内容:layer = Embedding(W_in) # 使用Embedding层 self.in_layers.append(layer) self.ns_loss = NegativeSamplingLoss(W_out, corpus, power=0.75, sample_size=5)