知识卡片
改进CBOW的层组合
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?
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
- word2vec的高速化 · 查看原书依据
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)
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)