- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
所以我阅读了名为 Self-Governing Neural Networks for On-Device Short Text Classification 的论文它提出了一种将单词转换到神经表征中的无嵌入方法。引用他们:
The key advantage of SGNNs over existing work is that they surmount the need for pre-trained word embeddings and complex networks with huge parameters. [...] our method is a truly embedding-free approach unlike majority of the widely-used state-of-the-art deep learning techniques in NLP
基本上,据我了解,他们是这样进行的:
在所有这些中不起作用的地方,以及我的问题所在,是它们如何最终得到来自稀疏投影(散列)的二进制特征。他们似乎在说散列是在计算特征的同时完成的,这令人困惑,我本以为散列会按照我上面写的顺序进行,如 1-2-3 步骤,但他们的步骤 1和 2 似乎以某种方式合并。
我的困惑主要来自于以短语“即时计算”开头的段落。在 the paper 的第 888 页(PDF 的第 2 页)在右栏中。这是一张描述令我困惑的段落的图片:
我想让我的学校项目取得成功(尝试将 BERT 与 SGNN 混合使用,而不是使用词嵌入)。那么,您将如何揭开它的神秘面纱?更准确地说,如何使用 scikit-learn、TensorFlow 或 PyTorch 实现类似的随机哈希投影?尝试将这些点连接起来,我进行了大量研究,但他们的论文没有提供实现细节,而这正是我想要重现的。我至少知道 SGNN 在字符级别的单词 n-gram 上使用了 80 个十四维 LSH(首先我的理解是正确的吗?)。
谢谢!
编辑:开始编写代码后,我意识到 scikit-learn 的 SparseRandomProjection()
的输出如下所示:
[0.7278244729081154,
-0.7278244729081154,
0.0,
0.0,
0.7278244729081154,
0.0,
...
]
现在,这看起来不错,它更接近于二进制,但它仍然可以通过首先使用良好的比率转换为整数而不是 float 。我仍然想知道 skip-gram 的事情,我现在假设单词字符的 n-gram 但这可能是错误的。将很快将代码发布到 GitHub。
编辑 #2:我在这里编写了一些代码,但使用的是 n-gram 而不是 skip-gram:https://github.com/guillaume-chevalier/SGNN-Self-Governing-Neural-Networks-Projection-Layer
最佳答案
首先,感谢您实现了投影层,它帮助我开始了自己的工作。
我阅读了你与@thinline72 的讨论,我同意他的观点,即特征是在整行文本中逐字符计算的,而不是逐字计算的。不过,我不确定这种功能差异是否相关。
回答您的问题:我认为他们按照您的建议和所做的那样分别执行步骤 1 和 2。是的,在您包含的文章摘录中,他们谈到了特征构建和投影中的散列,但我认为这是两种不同的散列。我解释说第一个散列(特征构造)是由 CountVectorizer 方法自动完成的。
随时看my implementation论文的一部分,我在其中构建了端到端网络并在 SwDA 数据集上进行了训练,如 SGNN 论文中所述。我获得的最高准确率为 71%,这比论文声称的要低一些。我还使用了 @thinline72 推荐的二进制哈希器,以及 nltk 的 skipgrams 实现(我很确定 SGNN 论文谈论的是“旧”skipgrams,而不是“word2vec”skipgrams)。
关于tensorflow - 如何在 SGNN(自治神经网络)中实现散列?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53876974/
我想将模型及其各自训练的权重从 tensorflow.js 转换为标准 tensorflow,但无法弄清楚如何做到这一点,tensorflow.js 的文档对此没有任何说明 我有一个 manifest
我有一个运行良好的 TF 模型,它是用 Python 和 TFlearn 构建的。有没有办法在另一个系统上运行这个模型而不安装 Tensorflow?它已经经过预训练,所以我只需要通过它运行数据。 我
当执行 tensorflow_model_server 二进制文件时,它需要一个模型名称命令行参数,model_name。 如何在训练期间指定模型名称,以便在运行 tensorflow_model_s
我一直在 R 中使用标准包进行生存分析。我知道如何在 TensorFlow 中处理分类问题,例如逻辑回归,但我很难将其映射到生存分析问题。在某种程度上,您有两个输出向量而不是一个输出向量(time_t
Torch7 has a library for generating Gaussian Kernels在一个固定的支持。 Tensorflow 中有什么可比的吗?我看到 these distribu
在Keras中我们可以简单的添加回调,如下所示: self.model.fit(X_train,y_train,callbacks=[Custom_callback]) 回调在doc中定义,但我找不到
我正在寻找一种在 tensorflow 中有条件打印节点的方法,使用下面的示例代码行,其中每 10 个循环计数,它应该在控制台中打印一些东西。但这对我不起作用。谁能建议? 谢谢,哈米德雷萨, epsi
我想使用 tensorflow object detection API 创建我自己的 .tfrecord 文件,并将它们用于训练。该记录将是原始数据集的子集,因此模型将仅检测特定类别。我不明白也无法
我在 TensorFlow 中训练了一个聊天机器人,想保存模型以便使用 TensorFlow.js 将其部署到 Web。我有以下内容 checkpoint = "./chatbot_weights.c
我最近开始学习 Tensorflow,特别是我想使用卷积神经网络进行图像分类。我一直在看官方仓库中的android demo,特别是这个例子:https://github.com/tensorflow
我目前正在研究单图像超分辨率,并且我设法卡住了现有的检查点文件并将其转换为 tensorflow lite。但是,使用 .tflite 文件执行推理时,对一张图像进行上采样所需的时间至少是使用 .ck
我注意到 tensorflow 的 api 中已经有批量标准化函数。我不明白的一件事是如何更改训练和测试之间的程序? 批量归一化在测试和训练期间的作用不同。具体来说,在训练期间使用固定的均值和方差。
我创建了一个模型,该模型将 Mobilenet V2 应用于 Google colab 中的卷积基础层。然后我使用这个命令转换它: path_to_h5 = working_dir + '/Tenso
代码取自:- http://adventuresinmachinelearning.com/python-tensorflow-tutorial/ import tensorflow as tf fr
好了,所以我准备在Tensorflow中运行 tf.nn.softmax_cross_entropy_with_logits() 函数。 据我了解,“logit”应该是概率的张量,每个对应于某个像素的
tensorflow 服务构建依赖于大型 tensorflow ;但我已经成功构建了 tensorflow。所以我想用它。我做这些事情:我更改了 tensorflow 服务 WORKSPACE(org
Tensoflow 嵌入层 ( https://www.tensorflow.org/api_docs/python/tf/keras/layers/Embedding ) 易于使用, 并且有大量的文
我正在尝试使用非常大的数据集(比我的内存大得多)训练 Tensorflow 模型。 为了充分利用所有可用的训练数据,我正在考虑将它们分成几个小的“分片”,并一次在一个分片上进行训练。 经过一番研究,我
根据 Sutton 的书 - Reinforcement Learning: An Introduction,网络权重的更新方程为: 其中 et 是资格轨迹。 这类似于带有额外 et 的梯度下降更新。
如何根据条件选择执行图表的一部分? 我的网络有一部分只有在 feed_dict 中提供占位符值时才会执行.如果未提供该值,则采用备用路径。我该如何使用 tensorflow 来实现它? 以下是我的代码
我是一名优秀的程序员,十分优秀!