基于深度学习的自然语言处理——从线性模型到多层感知机
2019-03-18 20:25
495 查看
基于深度学习的自然语言处理——从线性模型到多层感知机
从线性模型到多层感知机
在这里我们介绍从线性模型到多层感知机的转变过程。
线性模型的局限性
很显然,线性模型对于处理非线性问题是完全无力的。
非线性转换
非线性转化其实说的就是再将数据输入到线性算法之前进行变换,通过公式表现为:
y^=f(x)ϕ(x)W+b\hat y = f\left( x \right){\phi \left( x \right)}W + by^=f(x)ϕ(x)W+b
但问题的的难点是需要人工定义ϕ\phiϕ。
核方法
核方法就是在非线性转化的基础上通过一些通用的映射来解决这一问题。每个隐射都是将数据映射到非常高的维度空间(甚至是无限的),然后在该空间中进行线性分类。
从计算的角度说,在非常高的维度上操作是无法完成的。
核函数的创新性就在于:使用核技巧,不用计算转换后的表示就可以在转换后的空间上工作。
可训练的映射函数
再或者是定义一个可训练的非线性映射函数,让其与线性分类器一起训练。将找到合适的表示变成训练算法的责任。可以表示为下面的形式:
y^=ϕ(x)W+b\hat y = \phi \left( x \right)W + by^=ϕ(x)W+b
ϕ(x)=g(xW′+b′)\phi \left( x \right) = g\left( {xW' + b'} \right)ϕ(x)=g(xW′+b′)。
《基于深度学习的自然语言处理》
相关文章推荐
- PRML读书会第四章 Linear Models for Classification(贝叶斯marginalization、Fisher线性判别、感知机、概率生成和判别模型、逻辑回归)
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- 基于深度学习的细粒度车辆分类模型
- 基于感知器模型的线性神经网络
- 动手学深度学习(二)——多层感知机(从零开始)
- 基于Theano的深度学习(Deep Learning)框架Keras学习随笔-05-模型
- 携程最新基于深度学习的混合协同过滤模型论文学习和分享
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- 多层感知机模型在mnist上的例子
- Keras 多层感知机 多类别的 softmax 分类模型代码
- 自然语言处理 | (12)基于统计的语言模型构建
- TensorFlow实现MLP多层感知机模型
- 我用 tensorflow 实现的“一个神经聊天模型”:一个基于深度学习的聊天机器人
- 深度学习Deeplearning4j 入门实战(5):基于多层感知机的Mnist压缩以及在Spark实现
- 基于深度学习的自然语言处理——神经网络训练
- 基于LSTM搭建一个文本情感分类的深度学习模型:准确率往往有95%以上
- MADlib——基于SQL的数据挖掘解决方案(12)——回归之广义线性模型
- 【自然语言处理】预测电影影评情感的深度学习词袋模型
- 基于TensorFlow的多层感知机
- keras快速上手-基于python的深度学习实践-基于索引的深度学习对话模型-源代码