知识卡片
Wide与Deep组合
书中 Wide & Deep 示例把浅层线性分支与嵌入后的多层神经网络并行结合:两支输出及偏置相加,再经 Logistic 得到概率。Wide 分支直接使用特征,Deep 分支学习非线性表示;还可将不同特征组分别嵌入后拼接。两支的实际收益需要在具体数据上比较。
结构图:
flowchart LR
X[输入特征] --> W[Wide 线性分支]
X --> E[嵌入]
E --> D[Deep 多层网络]
W --> S[相加与偏置]
D --> S
S --> P[Logistic 概率]
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
- 非全连接神经网络 6.3 Wide & Deep · 查看原书依据
Wide部分强调记忆能力
参考来源
- 位置:《用Python实现深度学习框架》第6章《非全连接神经网络》,6.3 Wide & Deep(来源项目 book-source:`extracted/用Python实现深度学习框架/_epub-src/text/part0000_split_053.html`)
- 结论依据:原文图示及示例代码给出线性、嵌入、深层和二次分支的组合。
- 原始内容:Wide部分强调记忆能力。