前预训练时代的自监督学习自回归、自编码预训练的前世
image
神经网络(Neural Network, NN)
image
image

损失函数,度量神经网络的预测结果真实结果相差多少

  • 平方差损失(欧式距离角度)预测概率分部和实际标签概率的欧式距离
  • 交叉熵损失(信息量角度)预测概率分部和真实概率分部的差异,指导神经网络学习时,更加稳定
    image
    对参数W更新损失的负梯度
    image
    One-hot 人为规定,不需要学习,在推荐里有非常多的用处,(可以理解成完全命中)
    image
    词向量需要学习,可以很好的泛化结果,泛化性能比 one-hot 更好(可以理解成泛化关系的建模)
    评估模型的好坏:有全体指标,以及一些公开的数据集,去评估词向量的相关性
    image

image

Skip-gram: 给定一个中间值,预测上下文窗口中的一个词
image
image
CBoW:给定一个上下文词,预测中间值
image

image

image

RNN 抛开马尔科夫假设,
image

Self-Attention:每个单词和整句所有话进行匹配,来获取当前单词对每个单词的重视程度,利用这个重视程序,对整句话的每个单词进行加权,加权的结果用于表示当前这个单词
image
Self-Attention:也是非常流行的 Transformer 的核心模块,
Seft-Attention 没有考虑单词的顺序,所以为了更精装的表示位置信息,需要对句子的输入加个位置的序号 Positional Embedding
image

残差连接,很好的缓解梯度消失的问题,包括映射和直连接部分
image
image
image

https://aistudio.baidu.com/aistudio/education/lessonvideo/1451160

内容来源于网络如有侵权请私信删除

文章来源: 博客园

原文链接: https://www.cnblogs.com/vipsoft/p/17451296.html

你还没有登录,请先登录注册
  • 还没有人评论,欢迎说说您的想法!